Cantina ปล่อย apex-flash-1 โมเดลความปลอดภัยแบบ open-weight (MIT) บน GLM-5.3-Flash — แก้โจทย์เจาะช่องโหว่ได้ 40 จาก 60 ข้อด้วยค่าใช้จ่าย $2.38 เทียบ Opus 5 ที่ได้ 43 ข้อแต่ใช้ $74.68 และปล่อยรุ่น abliterated มาด้วยเอง

Cantina Security บริษัทความปลอดภัยที่ทำแพลตฟอร์มเพนเทสต์และรีวิวโค้ดด้วยเอเจนต์ ร่วมกับ Yeta Labs ปล่อย apex-flash-1 ซึ่งเป็นโมเดล open-weight ตัวแรกของบริษัทที่ฝึกมาเพื่องานวิจัยความปลอดภัยโดยตรง ตัวโมเดลต่อยอดจาก GLM-5.3-Flash ของ Z.ai (MoE ที่เราเขียนถึงตอนเปิดน้ำหนักเมื่อ 26 ส.ค.) ใช้ไลเซนส์ MIT ตามโมเดลฐาน และในรีโปมีไฟล์ LICENSE เป็น MIT ฉบับมาตรฐานจริง

ประเด็นที่ทำให้รุ่นนี้น่าจับตามีสองเรื่อง เรื่องแรกคือตัวเลขต้นทุน ในชุดทดสอบภายในของ Cantina โมเดลนี้ทำได้ใกล้ Claude Opus 5 แต่ถูกกว่ากันหลายสิบเท่า เรื่องที่สองคือ Cantina ปล่อยรุ่น “abliterated” ที่ถอดพฤติกรรมการปฏิเสธคำขอออกด้วยตัวเอง ซึ่งเป็นเรื่องที่บริษัทใหญ่ไม่ค่อยทำ ส่วนเรื่องวันที่ ไฟล์น้ำหนักถูกอัปโหลดขึ้น Hugging Face เมื่อ 1 ต.ค. 2026 (commit แรกเวลา 15:51 UTC) และสื่อสายเทคเพิ่งเริ่มรายงานเมื่อ 4 ต.ค. โพสต์นี้จึงเป็นการตามข่าวย้อนหลังที่เราพลาดไป ไม่ใช่ข่าวที่เพิ่งออกวันนี้

ฝึกอย่างไร: RL บนช่องโหว่จริงที่ถูกจำลองเป็นระบบที่รันอยู่

หน้าประกาศของ Cantina อธิบายขั้นตอนไว้ค่อนข้างละเอียด สรุปได้ดังนี้

• โจทย์มาจากงานจริงของบริษัท — Cantina นำช่องโหว่ประเภทที่เคยเจอในงานลูกค้าและงานรายงานช่องโหว่ มาสร้างเป็นสภาพแวดล้อมฝึก โดยใช้แอปโอเพนซอร์สที่ทำงานได้จริง ใส่บั๊กเข้าไป แล้วรันเป็น Docker Compose ที่มี API, worker, ฐานข้อมูล และ storage ในเครือข่ายที่แยกขาดจากภายนอก
• ฝึกด้วยโจทย์ 150 ข้อจาก 50 เคส แต่ละเคสมี 3 ระดับความยาก ได้แก่ guided whitebox (ได้ซอร์สโค้ดพร้อมคำใบ้), focused whitebox (ได้ซอร์สแต่คำใบ้น้อย) และ focused blackbox (ไม่มีซอร์ส ต้องสำรวจระบบที่รันอยู่เอง) ช่องโหว่ส่วนใหญ่ (72%) เป็นกลุ่ม การตรวจสิทธิ์และขอบเขตของ identity ตามด้วยเรื่องความแม่นยำของตัวเลขบัญชี (18%)
• ตัวตรวจผลแยกจากเอเจนต์ — verifier ที่อยู่นอก sandbox ตรวจสถานะสุดท้ายของระบบว่าทำสำเร็จผ่านบั๊กที่ตั้งใจใส่ไว้จริงหรือไม่ แล้วให้รางวัลแบบผ่าน/ไม่ผ่าน ถ้าเอเจนต์ “ผ่าน” ด้วยทางลัดที่ไม่ได้ตั้งใจ เคสนั้นจะถูกส่งกลับไปซ่อมก่อนนำมาใช้อีก
• วิธีอัปเดตน้ำหนัก — ใช้ GRPO ร่วมกับ LoRA rank 256 ครอบทุก expert และ router และฝึกแบบเต็มพารามิเตอร์เฉพาะ 16 expert ที่เลือกจากสถิติการถูกเรียกใช้ Cantina บอกตรง ๆ ว่าถ้าอัปเดตทุก expert เต็ม ๆ โมเดลจะพัง (collapse) และเดาว่าเป็นเพราะชุดข้อมูล RL มีขนาดเล็ก

ตัวอย่างเคสที่ยกมาคือ Forgejo (แพลตฟอร์มโฮสต์โค้ดโอเพนซอร์ส) ซึ่ง signed URL สำหรับดาวน์โหลด artifact ไม่ได้ผูกบริบทของ workflow ไว้ครบ ทำให้สิทธิ์ของ workflow หนึ่งดึง artifact ของอีก workflow ได้ เป็นบั๊กแบบที่แต่ละชิ้นส่วนดูถูกต้องเมื่อมองแยกกัน แต่เข้าใจขอบเขตสิทธิ์ไม่ตรงกัน

ตัวเลข: เกือบเท่า Opus 5 ด้วยค่าใช้จ่ายราว 1 ใน 31

Cantina วัดผลด้วยโจทย์ 60 ข้อจาก 20 เคสที่โมเดลไม่เคยเห็นตอนฝึก แต่ละโมเดลรันชุดเต็มครั้งเดียว และนับผล pass@1 ของการรันครั้งแรก

โมเดล	แก้ได้	Pass@1	ค่าใช้จ่ายโดยประมาณ (60 ข้อ)
Claude Opus 5 High	43/60	71.7%	$74.68
apex-flash-1	40/60	66.7%	$2.38
GLM-5.3-Flash (โมเดลฐาน)	36/60	60.0%	$4.56

ควรอ่านตารางนี้อย่างระวังด้วยเหตุผลสามข้อ ข้อแรก ชุดทดสอบเป็นของ Cantina เอง ยังไม่มีผลจากเบนช์มาร์กสาธารณะ (บริษัทบอกว่าจะทยอยเผยแพร่) ข้อสอง ต่างกัน 4 ข้อจาก 60 ข้อและรันแค่รอบเดียว จึงยังสรุปไม่ได้ว่าเหนือกว่ากันอย่างมีนัยสำคัญ หน้าประกาศเองก็เขียนว่าดีกว่าโมเดลฐาน “5–8%” ข้อสาม ค่าใช้จ่ายของ apex-flash-1 ที่ถูกกว่าโมเดลฐานเกือบครึ่ง น่าจะมาจากการใช้โทเคนน้อยกว่า แต่ Cantina ไม่ได้บอกว่าใช้ราคาจากผู้ให้บริการรายใด

อีกเรื่องที่ต้องรู้คือ โมเดลนี้ไม่ได้ออกแบบมาให้ทำงานคนเดียว การ์ดโมเดลระบุว่าเป็น “worker” ที่รับงานเฉพาะจุดจากเอเจนต์ตัวใหญ่กว่า ฝึกมากับ harness ของ Codex และแนะนำให้ใช้ Codex ส่วนความสามารถด้านภาพของโมเดลฐานยังคงอยู่แต่ยังไม่ได้ทดสอบ

รัน local ได้แค่ไหน

น้ำหนักมีขนาด 321B พารามิเตอร์ แบบ BF16 แบ่งเป็น 62 ไฟล์ (โมเดลฐานกระตุ้นราว 18B ต่อโทเคน) จึงไม่ใช่โมเดลสำหรับการ์ดจอเครื่องเดียว ตอนนี้มีควอนต์จากชุมชนออกมาแล้ว ทั้ง GGUF และ NVFP4 ที่น่าสังเกตคือ ควอนต์ที่ขึ้นมาก่อนเกือบทั้งหมดทำจากรุ่น abliterated ไม่ใช่รุ่นมาตรฐาน เช่น freakyskittle/apex-flash-1-abliterated-GGUF ที่มียอดดาวน์โหลดสูงกว่ารีโปทางการของ Cantina ทั้งสองรีโป

มุมมอง AI Curator

ผมว่าสิ่งที่น่าสนใจที่สุดไม่ใช่ตัวเลข 40 จาก 60 ข้อ แต่เป็นสูตรการทำโมเดลเฉพาะทางที่ Cantina เปิดเผยออกมา คือเอาโมเดล MoE แบบเปิดที่ดีพอ มาฝึก RL ด้วยโจทย์ไม่ถึงสองร้อยข้อ แต่เป็นโจทย์ที่ตรวจผลได้จริงและปรับความยากให้พอดีกับโมเดล แล้วได้ worker ที่ทำงานใกล้โมเดล frontier ในราคาที่ถูกกว่าหลายสิบเท่า ข้อสังเกตเรื่องการอัปเดตทุก expert แล้วโมเดลพัง ก็เป็นบทเรียนที่ทีมอื่นที่จะฝึก MoE ด้วยข้อมูลน้อยนำไปใช้ได้ทันที ทักษะที่หายากจริงในสูตรนี้คือการสร้าง “สนามฝึก” ที่ตรวจผลได้ ไม่ใช่การเลือกโมเดล

ส่วนการปล่อยรุ่น abliterated เองนั้น เหตุผลของ Cantina ฟังขึ้นในระดับหนึ่ง คือผู้โจมตีถอดระบบป้องกันของโมเดลเปิดได้เองอยู่แล้ว ขณะที่ฝ่ายป้องกันโดนข้อจำกัดเยอะที่สุด และวงการความปลอดภัยก็เคยผ่านการถกเถียงแบบเดียวกันมาแล้วกับ Nmap และ Metasploit แต่ข้อมูลยอดดาวน์โหลดที่ควอนต์ของรุ่น abliterated แซงรุ่นมาตรฐานภายในไม่กี่วัน ก็บอกเราว่าความต้องการของตลาดอยู่ตรงไหน และการ์ดของรุ่น abliterated เองก็เขียนไว้ว่าการเปลี่ยนแปลง “ไม่ได้จำกัดอยู่แค่งานด้านความปลอดภัย”

สำหรับทีม security ในไทยและอาเซียนที่มีข้อจำกัดเรื่องส่งโค้ดลูกค้าออกไปยัง API ต่างประเทศ โมเดลแบบนี้ตอบโจทย์ “รันในเครื่องของเราเอง” ได้ตรงที่สุด แต่ต้องมีเซิร์ฟเวอร์ระดับหลาย GPU และควรใช้ในงานที่มีขอบเขตชัดเจนและได้รับอนุญาตเท่านั้น ผมแนะนำให้เริ่มจากรุ่นมาตรฐานที่มีผลทดสอบรองรับ แล้วรอดูผลเบนช์มาร์กสาธารณะที่ Cantina สัญญาไว้ก่อนจะนำไปใช้ในงานจริง

แหล่งข่าว

• Cantina — Introducing Apex Flash-1
• Hugging Face — cantina-security/apex-flash-1 (การ์ดโมเดลและตารางผลทดสอบ)
• Hugging Face — cantina-security/apex-flash-1-abliterated