XuanmuSec-2.6B

XuanmuSec-2.6B

玄幕安全团队出品的端侧安全 Agent 模型，基于 LFM2.5-2.6B 经过 CPT + SFT 双阶段微调，专精 CTF 竞赛解题与渗透测试分析。

当前版本：v2.0** — 修复了 v1.0 的代码格式问题，优化了 SFT 数据质量，CTF 能力显著提升。

模型简介

XuanmuSec-2.6B 是在 LiquidAI/LFM2.5-2.6B 基座上，通过两阶段微调打造的安全领域垂直模型：

• **CPT（Continued Pre-Training）**：使用 CTF-SKILL + hack-skills 共 215 篇高质量安全知识文本（269 万字符），注入漏洞原理、攻击链、利用技术等安全领域知识
• **SFT（Supervised Fine-Tuning）**：使用精选的 921 条 CTF 真实比赛 writeup（7 类均衡分布），训练 CTF 解题思维和结构化输出能力

核心特性

• *深度安全知识**：覆盖 Web/Pwn/Crypto/Reverse/Misc/Blockchain/Cloud 七大安全方向
• *CTF 解题能力**：经过真实比赛 writeup 训练，掌握常见漏洞分析与利用思路
• *Agent 兼容**：保留 LFM2.5 的 tool calling 能力，可接入 Agent 框架作为安全工具节点
• *主动行动**：CPT 训练使模型从"被动分析"转为"主动尝试利用"，更适合 Agent 场景
• *端侧部署**：2.6B 参数量，GGUF 格式，笔记本即可运行，适合线下比赛无网络环境

v2.0 更新

修复了 v1.0 的代码格式问题（代码块换行丢失）

修复了"只思考不输出"问题

SFT 数据从 15,430 条精简为 921 条精选数据（LIMA 方法论）

7 类均衡分布，每类约 150 条高质量样本

CPT 知识与 SFT 风格联合训练，解题深度提升

训练详?

阶段一：CPT（安全知识注入）

项目 详情

• ----- ------

基座模型 LiquidAI/LFM2.5-2.6B

训练方法 QLoRA (4-bit NF4)

LoRA rank 16, alpha 16

Target modules q proj, k proj, v proj, out proj, in proj, w1, w2, w3

CPT 数据 CTF-SKILL (57 篇) + hack-skills (158 篇)

数据总量 269 万字符，215 个安全知识文件

训练轮数 5 epochs，选用 epoch-4

学习率 5e-5

阶段二：SFT（解题风格训练）

项目 详情

• ----- ------

基座模型 CPT 合并后的 LFM2.5-2.6B

训练方法 QLoRA (4-bit NF4)

LoRA rank 16, alpha 16

SFT 数据 921 条精选 CTFtime writeup

数据量 921 条（LIMA 方法论：贵精不贵多）

训练轮数 1 epoch

学习率 2e-4

数据特点 7 类均衡分布、100% 带 thinking 分析、0% 格式错误

数据来源

CPT 数据

来源 文件数 内容

• ----- -------- ------

CTF-SKILL 57 Web/Pwn/Crypto/Reverse/Misc/Blockchain/Cloud 攻击知识

hack-skills 158 14 个安全领域的渗透测试知识 + 高阶利用技术

SFT 数据

来源 数量 内容

• ----- ------ ------

CTFtime 921（精选） DEFCON/Plaid CTF/Google CTF/Hack.lu 等比赛真实 writeup

快速使用

Python (Transformers)

LM Studio / llama.cpp (GGUF)

本仓库提供三种量化版本：

文件 大小 精度 适用场景

• ----- ------ ------ ----------

XuanmuSec-v2-f16.gguf 5.1 GB 无损 最高质量

XuanmuSec-v2-Q8 0.gguf 2.7 GB 几乎无损 **推荐**

XuanmuSec-v2-Q6 K.gguf 2.1 GB 轻微损失 低内存设备

• 下载对应版本的 .gguf 文件
• 在 LM Studio 中导入模型文件
• 使用以下 System Prompt：

推荐 System Prompt

CTF 解题模式

渗透测试 Agent 模式

安全编码审计模式

模型能力

三模型对比（Base vs v1.0 vs v2.0）

以下对比基于相同测试题目，在 LFM2.5-2.6B 基座、LFM2.5-2.6B-For-CTF（v1.0 纯 SFT）、XuanmuSec-2.6B v2.0（CPT+SFT 联合训练）三种配置下测试得出。

测试维度 Base (LFM2.5-2.6B) LFM2.5-2.6B-For-CTF (v1.0) XuanmuSec v2.0 (CPT+SFT)

• -------- ------------------- -------- ---------------------
• *路径遍历绕过** 纠结不出答案 自信给出答案（但有误） ✅ 分析准确，有完整步骤
• *堆利用 (glibc 2.27)** 不认识 tcache/unsorted bin 泛泛而谈 ✅ 识别 tcache list head、unsorted bin 交互
• *RSA close primes** 不确定攻击方法 ✅ 识别 Fermat 分解 ✅ 完整推导 p = (√(4n+k²) - k) / 2
• *SQLi + XFF 绕过** 没提到 XFF 提到但分析浅 ✅ 完整攻击链推理
• *输出格式** 通用助手风格 结构化 CTF 分析 ✅ 结构化 + thinking + 正文
• *代码格式** 正常 ❌ 代码块格式损坏 ✅ 格式规范
• *正文输出** 正常 ❌ 有时只思考不输出 ✅ 始终有正文
• *tool call** 幻觉调用（无工具时） 无 tool call Agent 模式下正确调用工具

关键结论

• **SFT 带来最大的质变**：从"不知道怎么回答"到"学会 CTF 选手的思考框架"
• **CPT 带来深度提升**：从"泛泛而谈"到"识别具体技术细节"（tcache list head、Fermat 推导等）
• **v2.0 修复了 v1.0 的格式问题**：干净数据训练消除了代码格式损坏和"只思考不输出"
• **通用能力保留**：全程 LoRA 微调，基座权重未修改，通用能力不受影响

v2.0 已验证能力

SQL 注入分析与利用（绕过 WAF、UNION 注入、盲注、嵌套绕过）

常见 Web 漏洞识别（XSS、SSRF、文件包含、反序列化、XFF 绕过）

二进制漏洞分析（tcache 攻击、unsorted bin、堆利用思路）

密码学攻击（RSA Fermat/差值分解、对称密码分析、Miller-Rabin 素性检验）

渗透测试方法论（侦察→漏洞评估→利用→报告）

Agent 行为（接入框架时能正确调用工具执行命令）

结构化输出（分析→思路→payload→验证，代码格式规范）

待提升能力

Crypto 高级攻击（格密码、椭圆曲线）需要更多训练数据

复杂多步推理题可能需要更大模型

取证和逆向方向覆盖较少

模型架构

LFM2.5-2.6B 采用 Liquid AI 的混合架构：

• *30 层**：22 个卷积块 (ShortConv) + 8 个 GQA 注意力块
• *隐藏维度**：2048
• *注意力头**：32 (GQA: 8 key-value heads)
• *上下文窗口**：131,072 tokens
• *词表大小**：128,000

后续计划

[ ] 补充密码学专项数据（RSA/AES/格密码攻击）

[ ] 补充逆向工程与取证数据

[ ] 更多轮次 CPT 增强领域知识

[ ] DPO/GRPO 对齐训练

许可证

本模型基于 Apache License 2.0 开源发布。

基座模型 LiquidAI/LFM2.5-2.6B 遵循 LFM1.0 License，使用时请遵守其条款。

关于我们

玄幕安全团队**（XuanMu Security Team）是一个专注于网络安全研究与 CTF 竞赛的安全团队。本项目是我们在 AI + 安全交叉领域的探索之一——打造可在离线环境下运行的端侧安全助手模型。

ModelScope：guaidao2

GitHub：guaidao2/CTF-SKILL

致谢

Liquid AI - LFM2.5 基座模型

CTFtime - CTF 比赛与 writeup 社区

guaidao2/CTF-SKILL - 玄幕安全团队 CTF 知识库

yaklang/hack-skills - 渗透测试 Agent 知识库

justinwangx/CTFtime - 训练数据集

HuggingFace Transformers, PEFT, TRL - 训练框架