比利時資安公司 Aikido 於二零二六年九月二十一日發布開源權重防禦模型 Altar：以智譜 Z.AI 的 GLM-5.3 為底座，經量化與專家剪枝後壓縮至約三百二十八 GB，目標讓企業在自有基礎設施（含空氣隔離環境）跑資安代理，而無須把原始碼與未修補弱點送交第三方推斷服務。路透社同日報道指，Altar 將部署於 Aikido 解決方案，客戶包括比利時銀行 Belfius；來源真實性已驗證（核對 Aikido 官方博文、Hugging Face 模型卡，以及 MarketScreener 轉載之路透社稿）。

事件把「主權資安情報」從口號落到可下載權重：閉源前沿模型雖強，卻意味敏感上下文離境；開源權重又往往難在生產規模兼顧推理品質。Altar 試圖用工作負載導向的壓縮，縮短這道部署落差。對香港金融與專業服務而言，這條歐洲路線與「私有 LLM、代碼不出境」的採購問卷高度同構。

路透／Aikido：比利時資安商推開源權重 Altar——壓縮智譜 GLM-5.3 供本地部署，敏感代碼免送外雲

一、核心事件：開源權重防禦模型上線

技術細節

根據 Aikido 官方博文（Selim Decamps、Tiburce Gridello，二零二六年九月二十一日），Altar 是該公司首款開源權重資安模型，定位「主權資安情報」：把接近前沿水準的防禦能力放進客戶可控基礎設施。公司早前已推出可在客戶環境（含空氣隔離）運行的自主滲透測試裝置 Aikido Machine；Altar 則為其提供進階 AI，使敏感上下文不必送往第三方推斷服務。官方亦表示相關思路將擴展至 Aikido Attack、Code Security Audit 與 Deep PR Review 等產品線。

壓縮路徑公開可核對。完整 GLM-5.3 權重約一千五百零六點七 GB（BF16）；經 AWQ INT4 量化後約四百八十八點二 GB；再經專家剪枝得到 Altar 約三百二十八點零 GB。相對未壓縮 BF16 約減少百分之七十八點二；相對已量化父模型再減約百分之三十二點八。Altar 在每層路由專家中保留二百五十六個中的一百六十八個（移除八十八個，約百分之三十四點四），每 token 仍由路由器選八個專家。量化採 W4A16（權重四位、激活十六位）；剪枝採用 Cerebras REAP（Router-weighted Expert Activation Pruning），以路由器權重與專家輸出幅度估計貢獻，並用領域保留聚合避免「少見但關鍵」能力被平均掉。校準資料來自內部滲透測試 harness 軌跡（代碼、工具呼叫與回應）以及多語文本，以保留法語、荷蘭語等文件理解；官方強調未使用客戶資料。

路透社報道補充商業脈絡：Altar 為智譜 Z.AI 開源模型 GLM-5.3 的壓縮與客製版本，公開供本地部署；將用於 Aikido 交付予客戶的解決方案，具名客戶包括比利時銀行 Belfius；稿件亦提及 Aikido 於今年一月估值達十億美元。Hugging Face 模型卡（AikidoSec/altar-1）標示約五百零四 B 參數量級之剪枝變體、建議以四張 H200 搭配 vLLM 服務（示例含 tensor parallel 與較長上下文），並說明授權繼承自 GLM-5.3。

二、技術原理深度解析

閉源前沿模型的本質約束，是代碼、架構文件與未修補發現必須離開客戶網絡才能換取推理能力——對受數據駐留約束的銀行、醫院，或完全無外連的 OT 環境，這不是可選取捨。開源權重雖可本地跑，但完整 mixture-of-experts（MoE）模型體積與記憶體成本極高：大量專家權重必須常駐，即使每 token 只激活少數專家；再加上代理式工作流中不斷膨脹的上下文，模型權重與 KV／軌跡會爭奪同一塊 GPU 記憶體。Aikido 文中把此描述為「部署落差」：能力夠強的開源權重，往往難在生產並行與長上下文下同時「跑得動」。

Altar 的作法是把「資安工作負載」當成剪枝目標，而非追求通用聊天全能。資安任務（審碼找洞、提修補、跑滲透）往往只反覆動用專家池的一小部分；若能以 harness 軌跡估計各專家對資安、編碼與多語理解的貢獻，再刪去低貢獻專家，即可在相近資安表現下騰出記憶體給並行代理與長上下文。官方特別提醒：剪枝若只按全域頻率保留專家，可能刪掉小眾語言或結構化輸出所需的專家；因此採用「按單一領域最大貢獻份額」計分，讓編碼、罕見語言與結構化輸出各自保留專家。公開保真度研究以 KL 散度等指標對照完整 BF16 父模型，顯示壓縮後預測行為仍可對齊到可接受範圍（具體數值以模型卡與研究頁為準）。

官方內部 CVE 基準（三十二個已知弱點、三十個倉庫、每案三跑）顯示：Altar 平均召回約百分之六十點四，覆蓋二十三個弱點；已量化 GLM-5.3 AWQ 約百分之六十一點五、同樣覆蓋二十三個；完整精度父模型約百分之六十五點六、覆蓋二十五個。亦即相對已量化父模型，體積再減約三分之一、平均召回約降一個百分點，弱點覆蓋維持；相對完整父模型，保留約百分之九十二的弱點覆蓋。官方亦稱部署後不久，Altar 在客戶生產滲透中識別出一項有效嚴重弱點——屬公司自述，引用時應標明來源。基準邊界同樣寫明：測的是管線內針對性重現，而非全庫盲測、利用驗證或修補提案階段。

與單純「下載開源聊天模型自己架」不同，Altar 的產品敘事是：壓縮服務於防禦代理運行時，並與 Aikido Machine、攻擊面產品線串接。企業評估時應分開看三層——權重可否合法下載與服務、代理工具鏈是否可控、以及發現／修補流程是否與內部變更管理對齊。歐洲「主權 AI」討論近年強調推斷位置與供應鏈；Altar 把同一邏輯落到 AppSec／滲透測試，屬可操作的產品化案例。

四、日常應用場景

1. 開發者與技術團隊

平台與 AppSec 工程師可關注：vLLM 張量並行、最大上下文長度、MoE 內核選擇，以及如何把開源權重接到既有 SAST／PR 審閱／滲透流水線。若團隊已在本地或私有雲跑編碼代理，Altar 提供「資安特化、體積可控」的開源選項，但硬體門檻（官方示例為四張 H200）與授權條款仍須自行核對。也可對照同日 AWS 開源 Strands Harness 等「代理運行時」路線：一個偏模型權重壓縮，一個偏通用 agent harness 與 token 效率——企業常需兩者並存。

2. 企業與隱私敏感行業

金融、醫療、政府與關鍵基礎設施最在意原始碼與弱點報告離境。Altar 與「空氣隔離可跑」的裝置敘事，直接回應數據主權採購問卷。路透具名 Belfius，顯示歐洲銀行場景已進入產品路線。香港受規管機構若以公有雲對話式資安助手審碼，仍須對照《個人資料（私隱）條例》、合約與行業指引；本地或專屬環境推斷可降低「代碼當 prompt 上雲」的暴露面。對於法律與會計事務所等 NDA 密集行業，同樣可把「漏洞報告與客戶代碼同機房處理」寫進安全基線。

3. 一般用戶

終端用戶通常接觸不到模型權重，但會感受到應用更少誤報、修補建議更快，以及企業不因合規禁止而放棄 AI 輔助審碼。消費者 App 與網上銀行的資安水位，間接取決於供應商能否在不外洩代碼的前提下持續測試；防禦端若被迫「不上雲就不做 AI」，攻擊端卻已大量使用公有模型，不對稱會擴大。

4. 香港與亞洲市場視角

香港金融與專業服務對數據駐留極度敏感，同時面對 AI 輔助攻擊面擴大。歐洲「主權資安模型 + 本地部署」路徑，與亞太企業私有 LLM、私有資安代理的採購邏輯相近。智譜 GLM 系開源底座經歐洲廠商剪枝後回流企業機房，也提醒供應鏈選擇：模型血統、剪枝方法、服務堆疊與漏洞披露節奏，都應寫進供應商盡職審查。若企業還要把行業術語、內部規範與推理完全留在香港可控環境，可並行評估私有微調與全託管 API，而不是只依賴單一公有雲助手。對同時佈局大灣區研發中心的企業，本地推斷亦有助統一跨境代碼審閱政策。

五、專業評價與潛在考量

優勢

官方博文公開壓縮數字、REAP 方法、CVE 基準與部署硬體建議，技術可核查度高。
路透社獨立報道確認產品定位、開源權重表述與具名銀行客戶，降低「純行銷帖」風險。
問題定義清晰：不是再推一個聊天機器人，而是把防禦代理所需上下文留在客戶邊界內。
Hugging Face 模型卡補充參數、服務指令與授權繼承，方便工程落地與可重現實驗。

需要留意的地方

CVE 基準為公司內部設計，測的是管線內針對性重現，而非全庫盲測或端到端利用驗證；跨產品比較需謹慎。
「開源權重」仍受父模型授權約束；生產部署要審授權、出口管制與支援條款。
硬體示例偏高端（多卡 H200）；中小企可能需託管或縮減並行度，主權收益與成本要一併算。
估值十億美元等商業數字來自通訊社稿表述，非本文獨立審計；客戶名單亦可能隨時間更新。

結語

Altar 把「敏感代碼不要送去別人的推斷服務」寫進可下載的開源權重與壓縮方法論，並以歐洲銀行客戶與本地／空氣隔離部署敘事，回應資安代理時代的數據主權壓力。對香港技術決策者而言，短期可核對官方基準與硬體需求是否匹配現有私有雲；中期則應把開源權重資安模型、變更管理與私有 LLM 治理放在同一張架構圖上。若貴司需要在香港部署企業私有 LLM（數據集 → QLoRA／LoRA → 私有 API，年費 HK$88,000 起，100% 數據不出境），可參考 YSK Limited 的企業私有 LLM 全託管方案（https://ysk.hk/services/ai-automation）。

參考來源

Aikido 官方：Introducing Aikido Altar: the model that makes sovereign security intelligence possible（https://www.aikido.dev/blog/aikido-altar-open-weight-ai-sovereign-security）
Hugging Face 模型卡：AikidoSec/altar-1（https://huggingface.co/AikidoSec/altar-1）
路透社（經 MarketScreener 轉載）：Belgium's Aikido launches cybersecurity AI model as demand for local tools grows（https://www.marketscreener.com/news/belgium-s-aikido-launches-cybersecurity-ai-model-as-demand-for-local-tools-grows-ce785adbdf89f12c）
X 發現來源：@Reuters（https://x.com/Reuters/status/2102061589918588976）（發現用，非唯一依據）