文章总结： SecGPT是云起无垠于2023年底推出的全球首个开源网络安全大模型，基于Qwen2.5和DeepSeek-R1，使用超过5TB安全语料训练，支持私有化部署。它在渗透测试辅助、日志分析、逆向分析、代码审计等安全任务上表现优于通用模型，但存在硬件门槛高、对最新漏洞处理不足等局限。个人或小团队可从Mini版本零成本起步，正式使用建议7B或14B版本。 综合评分： 87 文章分类： AI安全,安全工具,渗透测试,安全开发,安全意识

全球首个开源网安大模型 SecGPT

原创

小智 小智

智榜样网络安全学习中心

2026年7月23日 14:00 湖南

在小说阅读器读本章

去阅读

在最近这两年来，大模型的数量那真的是多到难以计数。在网络安全这个圈子里面，真正能够实现落地并且还能够自己进行部署的开源模型，我认认真真地数了一下，发现没多少个。SecGPT就是其中的一个，它的背景那可一点都不简单。在2023年年末的时候由云起无垠给推出来的，那时候可是打着全球首个开源网络安全大模型这样的旗号。我一开始还觉得这就是个噱头罢了。直到前些日子需要在内部服务器上去搭建一个安全问答助手的时候，才认认真真地去了解它。等了解完之后，我对它的看法就有了很大很大的改变。

起因是一次内网方面的排查之事。同事将一段经过脱敏处理后的攻击日志发送给我，问是否能够快速判断是不是同一拨人所干的。我本能地想要把日志贴给某个公有云模型，手指悬在回车上却又缩了回来。很多日志虽说已经进行了脱敏处理，但是流量特征、内网段结构依旧是敏感的。恰好那时候正在看SecGPT，于是就决定自己去搭建一个，让数据不会流出内网。

它是什么

SecGPT是一款专门针对安全场景进行训练而形成的语言模型。它并非是将通用大模型简单地套上一个安全外壳这般简单。它的底座最初选取了Qwen2.5以及DeepSeek-R1系列，之后往里面加入大量的安全语料来进行继续训练和指令微调。当你问它漏洞该怎么修复、一段日志里哪条像是攻击、某个脚本究竟是做什么的的时候，它的回答相较于通用模型明显要更加合适。前面我所写过的很多红队Agent、SRE智能体，其底下从本质上来说都得挂着一个大模型，SecGPT就是那种你能够自己掌控、自己进行部署的大模型本身。

为什么安全圈需要自己的模型

我曾经有过多次目睹通用大模型在安全层面出现问题的经历。比如说问它某个CVE的利用方式吧，它有可能编造出并不存在的编号。叫它编写检测规则的时候，正则表达式看起来倒是挺工整的，可是实际运行起来却会漏掉一半。其根源就在于训练数据当中安全方面的语料实在是太少而且还太陈旧。SecGPT这类模型存在的缘由就在这个地方：它见识过真实的漏洞详情、真实的攻击样本、真实的防御文档，所以在回答的时候就不那么容易出错。这个判断可不是我随意说说的，是因为它们公开的语料规模明摆着在那里。

它是怎么炼出来的

云起无垠公开资料之中有那么一点让我感觉它是真正练过而不是套壳的情况。他们拥有超过 5TB、十多万个原始文件的安全语料，其中四成以上是经过人工精选并且进行了结构化处理的。语料按照理论支撑、实战对抗、应用落地三层来搭建：把法律法规和论文当作基础，将漏洞详情、CTF题库、日志流量、恶意样本用于练习，以社区博客、知识图谱、自动化策略来作为收尾。单单这个结构就比很多抓取一批CVE描述训一遍的项目要认真。语料分层的好处就是模型不会只是死记硬背题目，碰到没见过的攻击手法时，它能够依靠底层逻辑去进行推断，而不是随意编个编号来糊弄你。

在硬件层面上，他们采用了8台A100这样的硬件设备。进行了一周多时间的训练操作。预训练、指令微调以及强化学习这三者一起同步开展进行。所放出的训练曲线当中，loss是平稳地朝着下降的方向发展。学习率呈现出典型的先是进行warmup然后再逐渐衰减这样的情况。没有看到有梯度爆炸所形成的尖峰现象。像这种细节方面的内容，套壳的项目一般是不会费心思去进行书写的。

现在对外进行公布的权重是存在着四个档次的，分别是14B、7B、1.5B，还有一个可以在CPU上运行的Mini情况。档次越是低就越是容易进行养护，并且能力也是越是弱的，接下来我会说一说怎么去进行选择的事宜。

我怎么把它跑起来的

跑起来不复杂，门槛在硬件。官方给的是 vLLM 部署：

conda create -n secgpt-vllm python=3.10 -y
conda activate secgpt-vllm
pip install vllm
CUDA_VISIBLE_DEVICES=0,1,2,3 vllm serve ./secgpt   --tokenizer ./secgpt   --tensor-parallel-size 4   --max-model-len 32768   --gpu-memory-utilization 0.9   --dtype bfloat16

14B版本，是需要 --tensor-parallel-size 为4的，也就是说得有四张显卡一块来分担显存。我自己可没有这样的机器，最后是在一台带有GPU的云服务器上面开启的，是按照小时来进行计费的，跑评测的时候那账单看着还真是挺让人心里感觉不太舒服的。要是你只是想要试试水的话，那就别去碰14B，直接使用SecGPT-Mini就好。

要是你仅仅只有一张卡，把 --tensor-parallel-size 设置成1。由于14B根本没办法塞进显存里，会直接出现报OOM的情况。这并非是命令写错了，而是确实需要多卡才行。所以对于个人玩家而言，Mini几乎是唯一现实的选取。7B在单张24G的卡上勉强能够运行，但是却发起不起来。我曾经踩过这个坑，提前说一下，免得你白白地去调试。

Mini此版本于2024年3月实现开源。其主要是能够在CPU上进行运行。我曾在一台普通的办公电脑上进行过尝试。它回答问题有那么一点慢，不过问XSS是什么以及这段正则有没有注入风险完全是可以的。对于小团队而言，Mini是零硬件成本起步的一个选择，先把内部知识问答弄明白就行。我把它当作新人的入门陪练。新人问基础概念不用等着我去讲解，节省了我好多的口舌。试用期是一周，新人提出的基础问题它接住了八成，剩下的两成它老实地说不会，这种克制让我很放心。

服务起来之后，调用就是标准的 OpenAI 格式。官方给的请求长这样：

curl http://localhost:8000/v1/chat/completions   -H "Content-Type: application/json"   -d '{"model":"secgpt","messages":[{"role":"user","content":"什么是 XSS 攻击？"}],"temperature":0.7}'

我随意地提出了一个问题，它回复了一段带有防御建议的内容，并非是从教科书中复制而来的那种。在安全方面需要做到稳妥，通常将 temperature 调低到 0.3，以此来避免它胡作非为。而在真正进行工作的时候，把 --max-model-len 提升到 32768，将长日志一次性放置进去而不需要进行拆分。第一次见到它把五百行的告警浓缩成三条攻击链，我还挺感到惊讶的。

权重进行下载花费了小半天的时间。14B的bf16版本的体积还是比较大的。第一次在本地成功跑通的时候，我看着终端里它一个字一个字地冒出来的攻击链，突然就发现：以前干这相关的事儿，要么自己手动去翻文档，要么就等着群里的大佬有空，现在它两三分钟就弄出一版初稿。虽然不是很完美吧，但是速度还是挺快的。

它真能干的几件事

我重点试了四类活。

首先是渗透测试辅助这一方面。将目标的信息收集结果交予它。它能够依照 信息收集 → 漏洞利用 → 提权横向 这般的思路来行事。它将会给出关键工具命令以及 payload 构造的思路。下面的这个是官方示例，其逻辑是通顺的，并非是胡编乱造的。

日志以及流量方面的分析是我所没有想到的那一个部分。将一段杂乱无章的告警日志放置进去，它就可以还原攻击的路径，标记出IOC，还能够绘制出攻击链的图谱。在值班的时候面对一大堆原始日志的人，就好像多了一个会进行总结的伙伴。

逆向分析同样是可以涉及的。它具备看懂反汇编、API调用序列、加壳行为这类底层方面的能力。它能够给恶意样本开展静态分析、提取特征、归到家族之中。下面存在着一个它辅助进行解读的事例。

除了上述这些方面之外，命令解析以及代码审计这一块也算是还可以。贴出一段看起来疑似是恶意的脚本，能够去指出其中的意图以及高危操作是在什么地方。再贴出一段业务方面的代码，能够去找出其中潜在的注入点。我并不是说它就能够取代人工审计，它能够去做第一遍的粗略筛选，能够节省时间。

安全知识问答在平常的生活与工作场景当中是经常会被用到的。有新手去问JWT要如何验签才是安全的，并且还能够给出带有代码的正确办法。有人去问这个告警是不是扫描器，它依据相关特征所说的内容大致是差不多的。它就好像是随时都在线的老师傅一样，只不过这个老师傅偶尔会有嘴硬的情况出现。

有许多红队以及运维智能体都需要连接一个大模型才可以开展运行。SecGPT能够进行私有化的部署，刚好就担当起它们的脑子的角色，数据不需要流出内网。这一个方面对于很多在意合规的团队而言是十分关键的。

泼点冷水

好话说完，边界也得讲清楚。

它仅仅只是一个模型罢了，并非是裁判。在上线之前你得自己去验证所给到的修复建议以及构造的payload，尤其是在投入生产环境的时候。Mini版本的尺寸比较小，复杂的推理可不行，可别指望它能够搞定高难度的攻击链分析。它在中文安全语义方面比通用模型要强一些，但是要是碰到特别新的漏洞手法或者内部的私有协议的，也还是会出现问题的。我拿上个月刚刚爆出的漏洞去问它，它给出的缓解步骤听起来倒是挺好的，仔细一看却是套用旧版本的处置办法，对于新的变种可不对症。这时候它输得还挺自信的，反倒更加危险。它给出的动手建议，我都会再去核对官方公告。

还有另外一种工作它没有办法去进行操作。比如说需要实时地连接网络去查询最新的IOC，或者需要去执行命令来看回显的这类事情，它都没有办法去进行完成。这是因为它仅仅只是一个文章模型而已。真的要是那种需要能够动手去进行操作的情况，就需要把它放置到智能体框架里面，让它去调用工具。要是仅仅依靠对话窗口的话，它的最高限度也就是给出一个建议罢了。

在进行评测的时候，得要客观地去看待情况。在CISSP、CS-EVAL这类安全相关的题目上，SecGPT各个尺寸普遍要比相同规格的Qwen2.5表现得更好。14B在CISSP上拿到了78.84分，而相同规格的Qwen2.5-14B是71.09分。在CS-EVAL上SecGPT是88.9分，也是高出了不少。但是到了CEVAL、GSM8K、BBH这类通用常识以及复杂推理的题目时，通用模型又把分数给追上来了。所以它是那种偏科的安全方面的专家，不是全能的选择。这样的一个定位让我觉得放心，能够知道它擅长在哪些方面，比那种假装什么都能行的情况要靠谱得多。在挑选模型的时候，这种清醒的认识比参数看起来漂亮更加难得。

给不同人怎么选

我直接进行判定：个人开展学习活动、小团队构建内部的问答平台时，Mini版本或者1.5B的规模就已经足够了，是可以利用CPU来进行运行的，能够从零成本开始起步。要是打算将其拿来作为正经的辅助分析工具、接入到SOC流程当中的话，至少得使用7B到14B的规模才是能力的上限，同时硬件方面的账单也会达到上限。可不要一开始就直接冲着14B去，还是先好好思考一下你的问题值不值得去配备那四张卡。

来好好算这么一笔账。四卡的A100按照在云上每一个小时的价格来计算的话，跑上一整天的费用都足够去吃一顿还挺不错的饭。所以14B比较适合长期去挂服务的很多团队，个人的玩家那可是烧不起这么多钱。要是只能够安装一个的话，我倒是建议从7B起步，7B的能力足够去满足日常的辅助需求，单张24G的卡还能够扛得住，性价比那可是最稳妥的。

在平常的日子里，我所常用的三个场景具体是这般模样。新人将它当作安全方面的知识库，一有问题就前来问，它能够提供相应的依据。在值班的时候让它先对告警进行筛选，标记出值得关注的情况。写报告的时候让它把零散的发现整理成为初稿。它做这些事情比人要快些，但是最终的定稿还是得我自己去进行处理。

云起无垠那一方始终开着贡献的入口，会接收Issue、代码以及安全任务的数据集合。我随手上报了一个文档里已经过时了的部署命令，过了两天就有人来回应。对于一个开源安全的项目而言，这样的响应速度比起参数的规模来说，更加让我乐意长期去使用它。

收个尾

SecGPT存在着让我觉得比较舒服的地方。它是真正的开源、真正能够进行下载、真正可以运行，不会去搞什么申请试用相关的审核那一套流程。在HuggingFace以及ModelScope上面是能够拉取权重的，GitHub那边也是处于开放的状态。它可是安全圈里很少见的能够完全自己掌控的开源大模型，是值得在你的服务器上面有它的一个位置。

那为什么不直接去使用公有云的聊天模型？安全这一块的事情是得要有真实的日志、真实的代码、真实的拓扑的。把这些个东西给张贴出去，就算是进行了再彻底的脱敏那也是不安全的。SecGPT自己来运行，数据保留在你自己的机器上面，这才是它对于我而言最大的价值，比很多多出来的那么几分评测可是更有用。

需知道从何处去获取权重。在HuggingFace上面去搜索clouditera/secgpt，在ModelScope上面则是clouditera/SecGPT-14B。与之配套的数据集单独被称作security-paper-datasets。版本有Mini、1.5B、7B到14B等等。在2025年4月还发布了V2.0，安全理解以及任务执行又提高了一个层级。我所使用的14B是V2之前的那一个版本，V2我还没有来得及去测试，有兴趣的人可以自己拉过来进行对比。

它肯定不是所有事情都能够做得很好的，但是要是你也正在找寻能够自己进行部署的安全大脑，那么不妨弄来一份试试看，用你手上的那两个真实的问题去运行一下、测试一下。答案管不管用，那可比任何的评测榜单都要更加靠谱。

我后续打算把V2也拉下来去做相同的题目，瞧瞧那档升级究竟有没有价值。与此同时在CPU方面再去感受一下Mini的使用感受，如果变快了，小团队就又多了一个直接使用免费档的缘由。等有了结果之后再进行撰写。

🎁 互动与福利

分享本文到朋友圈，点赞+在看+关注，一键三联，可以凭截图找老师领取

上千学习资料+工具哦

22919c6e4ef945aa9a9cbf0f6df4f6ff

分享后扫码加我！

免责声明：

本文所载程序、技术方法仅面向合法合规的安全研究与教学场景，旨在提升网络安全防护能力，具有明确的技术研究属性。

任何单位或个人未经授权，将本文内容用于攻击、破坏等非法用途的，由此引发的全部法律责任、民事赔偿及连带责任，均由行为人独立承担，本站不承担任何连带责任。

本站内容均为技术交流与知识分享目的发布，若存在版权侵权或其他异议，请通过邮件联系处理，具体联系方式可点击页面上方的联系我。

本文转载自：智榜样网络安全学习中心 小智 小智《全球首个开源网安大模型 SecGPT》