Robocikowo>ROBOCIKOWO
Dane

CyberFactory

2026BadawczyOpublikowano: 2 września 2026Aktualizacja: 2 września 2026Opublikowany
Otwartoźródłowy framework łączący konstrukcję danych, syntezę trajektorii i trening modelu, przekształcający publiczne CVE w wykonywalne, weryfikowalne zadania cyberbezpieczeństwa.
Kluczowa innowacja
Zunifikowany, otwartoźródłowy framework, który przekształca publiczne artefakty podatności (CVE) w wykonywalne, weryfikowalne instancje zadań i skalowo syntetyzuje agentowe trajektorie do trenowania modeli AI w cyberbezpieczeństwie.
Kategoria
Dane
Poziom abstrakcji
System
Poziom operacji
DaneTreningTooling
Zastosowania
Generowanie proof-of-concept (PoC) exploitówAutomatyczne łatanie podatnościOdpowiadanie na pytania z cyberbezpieczeństwa (CyberQA)Generowanie skalowalnych danych treningowych dla modeli AI w cyberbezpieczeństwieSynteza agentowych trajektorii narzędziowych

Jak działa

Pipeline działa w trzech etapach. (1) Konstrukcja danych: publiczne artefakty podatności z ARVO, OSS-Fuzz i CVE „z dzikiej natury" są przekształcane w wykonywalne instancje z buildami sprzed i po łatce. (2) Synteza trajektorii: wielokrotnego użytku „umiejętność" analizy podatności steruje interaktywnymi, narzędziowymi przepływami agenta, zwiększając liczbę udanych instancji treningowych. (3) Trening modelu: zsyntetyzowane trajektorie służą do pełnoparametrowego nadzorowanego dostrajania (SFT). Weryfikacja PoC opiera się na differential oracle 𝒱(x) = ⊤[Crash(b⁻,x)] ∧ ⊤[¬Crash(b⁺,x)]: kandydujące wejście musi wywołać awarię w buildzie sprzed łatki (b⁻) i nie wywołać jej w buildzie po łatce (b⁺), co daje obiektywny, maszynowo sprawdzalny sygnał sukcesu. Wynikowy model OpenAegis zainicjowano z Qwen 3.5-397B-A17B i trenowano pełnoparametrowym SFT przez trzy epoki na 256 GPU w BF16.

Rozwiązany problem

Otwarte modele nie oferują reprodukowalnych rozwiązań treningowych dla cyberbezpieczeństwa; istniejące zbiory treningowe skupiają się na izolowanych zadaniach i brakuje im skalowalnych danych agentowych, a skalowanie agentowych rolloutów wymaga silnych priorów domenowych. CyberFactory dostarcza zunifikowany, weryfikowalny i skalowalny sposób generowania takich danych oraz trajektorii.

Komponenty

Konstrukcja danychWejściowy etap potoku danych

Przekształca publiczne artefakty podatności (ARVO, OSS-Fuzz, CVE z dzikiej natury) w wykonywalne, weryfikowalne instancje zadań z buildami sprzed i po łatce.

Synteza trajektoriiGenerowanie agentowych trajektorii treningowych

Wielokrotnego użytku „umiejętność" analizy podatności steruje interaktywnymi, narzędziowymi przepływami agenta, zwiększając liczbę udanych instancji treningowych.

Trening modeluEtap uczenia modelu

Zsyntetyzowane trajektorie służą do pełnoparametrowego nadzorowanego dostrajania (SFT) modelu cyberbezpieczeństwa (OpenAegis).

Differential oracle (weryfikacja)Obiektywna weryfikacja instancji PoC

Maszynowo sprawdzalne kryterium sukcesu 𝒱(x) = ⊤[Crash(b⁻,x)] ∧ ⊤[¬Crash(b⁺,x)]: wejście musi wywołać awarię w buildzie sprzed łatki i nie wywołać jej po łatce.

Ewolucja

Oryginalny paper · 2026 · arXiv 2026 · Jian Yang
CyberFactory: Scaling Cyber Security Capabilities with Instances from the Wild
Jian Yang, Haau-Sing Li, Shawn Guo, Zixi Zhao, Yibo Tan, Jiajun Wu, Aishan Liu, Zhoujun Li, Xianglong Liu, Tianyu Zheng, Bryan Dai, Chengran Yang, Weifeng Lv
2026
Publikacja CyberFactory i modelu OpenAegis
Punkt przełomowy

Praca arXiv:2608.23181 wprowadza zunifikowany, otwartoźródłowy framework do skalowania danych i trajektorii cyberbezpieczeństwa; wytrenowany OpenAegis osiąga 58,1% Pass@1 na CyberGym.