X-PostShrivu ShankarSammlung
Sicherheitsprüfungen stoßen bei kommerziellen Standard-LLMs oft an Verweigerungsfilter. Abliterierte Modelle ermöglichen praxisnahes Red Teaming, erfordern aber strikte Isolation durch Sandboxing.
Kommerzielle KI-Modelle weigern sich bei Standard-Prompts meist, offensive Pentesting-Aufgaben durchzuführen. Als Lösung dienen sogenannte 'abliterierte' Modelle: Durch gezielte Subtraktion des internen Verweigerungs-Vektors aus den Modellgewichten fallen Schutzschranken weg, ohne dass das logische Denkvermögen leidet. Shrivu Shankar nutzt hierfür unter anderem dealignai/DeepSeek-V4.1-Flash-1017-UNCENSORED-FP8, gehostet auf Modal-Infrastruktur.
Das veröffentlichte Repository sshh12/agents-on-modal modularisiert das Setup entlang dreier Achsen:
Ein integriertes Protokoll-Gateway wandelt proprietäre Befehle in standardisierte Chat-Completion-Aufrufe um. Für Web-Scraping und Netzwerkaufrufe lässt sich der ausgehende Datenverkehr über Residential Proxies leiten, während Token-Traffic direkt zum Modell fließt.
In einem vorausgegangenen Experiment mit rund 100 Agenten gelang es dem Setup, ohne Zero-Day-Exploits mehrere Altsysteme über IDOR-Lücken, schwache Passwörter und OSINT-Recherchen zu kompromittieren. Dies unterstreicht das Potenzial, aber auch das Gefahrenpotenzial unkontrollierter Agenten-Schwärme.
Shrivu Shankar
@ShrivuShankar · 7. November 2026
@dbmikus yes! dealignai/DeepSeek-V4.1-Flash-1017-UNCENSORED-FP8 is the best i've tried use t.co/2s1QTpbPzl to run claude/codex on modal sandboxes on modal inference (B300:4) often red teaming my own apps on railway (pre-all the recent stuff thats happened w/them) t.co/86z5ZzArZX
66 Likes3 Antworten157 Lesezeichen2737 Aufrufe
Auf X ansehenZusammenfassung von KI erstellt (Gemini 3.8 Flash, 8. November 2026). Sie kann Fehler enthalten – maßgeblich ist die Originalquelle.
Inhaltlich ähnlich, ermittelt über die KI-Suche.
Repository:sshh12/agents-on-modal
Das Python-Tool verbindet Agent-CLIs wie Claude Code oder Codex mit selbst gehosteten Open-Weight-LLMs auf Modal-Serverless-GPUs. Entwickler können Coding-Agenten isoliert lokal, in Docker oder in Modal-Sandboxes skalieren.
5SternePython
Link:Cantina Security
Cantina Security hat in Kooperation mit Yeta Labs apex-flash-1-abliterated veröffentlicht, ein modifiziertes Open-Weights-Modell für autorisierte Sicherheitsanalysen. Die Variante basiert auf GLM-5.3-Flash und lockert standardmäßige Verweigerungsfilter umfassend. Es richtet sich an Sicherheitsforschende in eigenen Testumgebungen.
Artikel:DeepInfra
Ein Leitfaden von DeepInfra vergleicht Modelle mit offenen Gewichten für den autonomen Agenten OpenClaw. Im Fokus stehen Kriterien wie zuverlässige Tool-Aufrufe, Kontextstabilität und reale Kosten pro Aufgabe.
X-Post:Juraj Bednar
Cloudflare hat mit 'security-audit-skill' ein quelloffenes Werkzeug veröffentlicht, das Coding-Agenten in strukturierte Sicherheitsprüfer verwandelt. Juraj Bednar empfiehlt das Tool für Code-Audits und betont, dass strukturierte Workflows selbst mit günstigen Modellen tiefere Schwachstellen aufdecken als ungeführte Prompts bei Spitzenmodellen.
16.351Lesezeichen600.123Aufrufe
X-Post:Brais Moure
Brais Moure weist auf die Veröffentlichung von Cloudflares „security-audit-skill“ hin. Das Open-Source-Werkzeug verwandelt Coding-Agents in strukturierte Sicherheitsprüfer und bildete die Grundlage für Cloudflares internes System zur Erkennung von Schwachstellen.
3362Lesezeichen139.387Aufrufe
X-Post:O
In einer Diskussion um GLM-5.3-Flash empfiehlt Nutzer O spezialisierte Fine-Tuning-Modelle auf Hugging Face. Swift 1.5 von UkisAI reduziert Denk-Tokens für den Alltagseinsatz drastisch, während Cantinas apex-flash-1-abliterated auf Sicherheitsanalysen ausgelegt ist. Laut dem Autor übertreffen diese Varianten sowohl das Basismodell als auch DeepSeek.
13Lesezeichen468Aufrufe
Dieser Inhalt wurde teilweise mithilfe von KI erstellt.
