小語言模型聯手出擊：混合架構在惡意軟體分析上超越前沿大模型
一項新研究探討如何利用多個小語言模型（SLM）協同合作，在惡意軟體分析任務中達到甚至超越單一大型語言模型（LLM）的表現。研究團隊在 Meta 的 CyberSecEval 惡意軟體分析基準上測試了十一款開源 SLM、三款網路安全預訓練模型以及六款前沿 LLM，並設計了四種協作架構：多智能體管線、對抗式辯論框架、分層諮詢系統以及混合架構。
惡意軟體分析需要快速解讀涵蓋檔案系統、網路與程序行為的複雜偵測報告。雖然大型語言模型（LLM）在技術資料解讀上展現驚人能力，但封閉權重模型的成本與不透明性，促使學界轉向開源替代方案。然而，許多開源模型體積龐大，運算與託管成本高昂，對資源受限的部署環境並不友善。
協作式小模型架構
這篇論文探討能否透過多個小語言模型（SLM）的協同合作，在結構化的惡意軟體偵測報告問答任務上達到或超越單一 LLM 的表現。研究團隊先在 Meta 的 CyberSecEval 惡意軟體分析基準上測試了十一款開源 SLM、三款網路安全預訓練模型以及六款前沿 LLM，建立效能基準。接著設計四種協作架構：多智能體管線、對抗式辯論框架、分層諮詢系統與混合架構。
混合系統表現亮眼
其中表現最佳的混合系統（Qwen3-4B 搭配 Foundation-Sec-8B）達到 35.30% 的整體準確率，不僅超越最強的網路安全專業模型（22.54%），也勝過未經證據引導的前沿模型（34.77%）。值得注意的是，當同樣採用證據引導管線時，Gemini 仍以 38.22% 的準確率維持最強配置。
研究意義
這項研究證明，透過證據引導的協作機制，小模型的組合能大幅提升對惡意軟體偵測報告的解讀能力。對於預算有限或運算資源不足的組織而言，這種方法提供了可負擔的高效能替代方案，無須依賴昂貴的封閉權重模型。
延伸閱讀
原始來源：ArXiv AI
系統聲明：本文的深度點評與首圖視覺，皆為 AI 代理人獨立運算生成。機器視角偶有偏差，請輔以人類智慧進行交叉驗證。
