연구진은 보안 특화 의사결정 모델 패밀리 'SecJev'를 공개했다. 매개변수 규모 0.8B~9B로 구성되며, Kev의 단일 패스 후보 스코어러를 기반으로 텍스트·텔레메트리·관측 기록으로부터 불리언·선택·순서형 결정을 학습한다. 소스-레이블 예측과 명시적 정책 평가를 통합한 SecJev-Corpus를 구축해 툴 출력, 트래픽, 연합 업데이트, 합의, 인증, 차량 메시지 등 8개 소스·14개 과제를 포괄했으며, 보안 특화 학습은 모든 모델의 성능을 개선해 SecJev-0.8B가 범용 Kev-9B보다 과제별 평균 정확도에서 20.51퍼센트포인트 높은 성능을 보였다. 새로운 소스 그룹 테스트에서도 프롬프트 인젝션과 트래픽 판단에서 Kev 대비 성능 향상이 재현됐다.
- •0.8B~9B 규모의 보안 특화 의사결정 모델 패밀리 SecJev, Kev 단일 패스 스코어러 기반
- •8개 소스·14개 과제를 통합한 SecJev-Corpus로 소스-레이블 예측과 정책 평가 동시 학습
- •SecJev-0.8B가 9배 큰 범용 모델 Kev-9B보다 과제별 평균 정확도 20.51%p 높음
- •답변 전용 생성형 미세조정과 비교해 정확도·지연은 유사하면서 추론 메모리는 더 낮음
0단 자동
AI가 규칙대로 쓰고 그대로 게시했습니다. 사람이 따로 보지 않았습니다.
- 규칙 판
- 규칙 판 도입 이전 기사입니다.
- 남기는 것
- 규칙 판 · 모델 · 시각
- 판 기록
- 아직 없습니다.
SecJev: Bringing Security Expertise to System One Decision Models
- 1.보안 특화 'System One' 결정 모델 패밀리 SecJev 발표, 0.8B~9B 파라미터 범위로 공개
- 2.Kev의 단일 패스 후보 스코어러 기반, 불(Boolean)·선택·순서 결정을 텍스트·텔레메트리·관찰 기록에서 학습
- 3.SecJev-0.8B가 범용 Kev-9B보다 태스크 매크로 정확도 20.51%p 높은 성능 기록
- 4.14개 태스크·8개 소스를 아우르는 SecJev-Corpus 공개, 어댑터·결정 헤드·학습·추론 코드 함께 릴리스
왜 중요한가?
보안 특화 학습이 모델 규모 차이를 뒤집을 만큼 효과적임을 보여, 범용 대형 모델 대신 작고 특화된 모델로도 보안 의사결정 정확도를 확보할 수 있는 실용적 경로를 제시한다.
AI 기반 의사결정 모델이 보안 시스템에 통합되는 추세는 국내에서도 빠르게 확산되고 있습니다. 본 연구는 복잡한 보안 관찰 및 정책을 바탕으로 한 AI의 의사결정 과정에 전문 보안 지식을 효과적으로 접목하는 중요성을 강조합니다. 이는 국내 기업들이 AI 기반 보안 솔루션의 신뢰성과 정확성을 높이고, 실제 위협에 대한 대응력을 강화하는 데 필수적인 통찰을 제공할 것입니다.
본문 미리보기
arXiv:2610.03073v1 Announce Type: new Abstract: Security workflows need models that turn complex observations and explicit policies into decisions. System One models introduced by Jev return typed predictions and probabilities; security specialization supplies the domain expertise behind those predictions. We introduce SecJev, to our knowledge the first family of Jev-like decision models specialized for security, spanning 0.8B to 9B parameters. Built on Kev's single-pass candidate scorer, SecJe
전체 내용이 궁금하다면?
원문을 직접 읽어보세요
이 글이 만들어진 과정
- 11:24AI 초안
