Cyber-Agent-LabEntrenar
Preparar datasets validados e investigar el ajuste supervisado con métodos eficientes LoRA / QLoRA.
Investigación independiente · Etapa temprana
Construimos la próxima generación de agentes autónomos de ciberseguridad.
Investigamos, entrenamos y evaluamos agentes inteligentes en entornos controlados. Modelos eficientes. Experimentos reproducibles. Un camino más accesible hacia la automatización de la seguridad.
CICLO CONCEPTUAL DEL AGENTE01 → 06
Modelos de IA eficientesDatasets validadosEvaluación reproducibleEntornos controlados
01 / El problema
La capacidad no debería exigir cómputo ilimitado.
Las tareas especializadas de seguridad exigen razonamiento fiable, uso de herramientas y resultados medibles. Desarrollar agentes eficientes requiere más que conectar un modelo a un conjunto de herramientas.
- 01Los modelos grandes pueden encarecer la experimentación.
- 02Las evaluaciones de agentes son difíciles de reproducir.
- 03Los modelos pequeños tienen dificultades con tareas técnicas complejas.
- 04La investigación en seguridad necesita entornos seguros y autorizados.
02 / Nuestro enfoque
Un ciclo de investigación diseñado para aprender.
Desde ejemplos cuidadosamente preparados hasta resultados verificados de forma independiente: cada etapa informa la siguiente.
Evaluar
Medir tareas completadas, pasos, acciones inválidas y rechazos de política en entornos sintéticos reproducibles.
Mejorar
Analizar fallos y trayectorias de ejecución para perfeccionar los datos, el entrenamiento y el comportamiento.
Desplegar
Investigar arquitecturas de inferencia eficientes para infraestructura accesible. Una línea de investigación, no un producto publicado.
03 / Investigación y benchmarks
Avances medidos.
Limitaciones visibles.
Comparación exploratoria de dos ejecuciones registradas de Qwen con las mismas semillas de tareas sintéticas. Se conservan las etiquetas de los reportes; no son identidades de modelo certificadas independientemente.
Tasa de éxito por tarea
Qwen · Base41%
Qwen · SFT v263%
| Ejecución registrada | Éxitos | Pasos medios | Acciones inválidas | Rechazos de política |
|---|---|---|---|---|
| qwen35-base-100-199 | 41 / 100 | 11.56 | 0 | 76 |
| qwen35-sft-v2-val | 63 / 100 | 11.35 | 83 | 0 |
Condiciones de evaluación y limitaciones
Ambos reportes usan las semillas 100–199, partición «train», benchmark 0.3.1, un tiempo máximo de respuesta de 180 segundos, un presupuesto de salida de 256 tokens y límites de 10 / 15 / 20 pasos según la dificultad. No registran errores del proveedor ni de infraestructura. Los pasos medios incluyen éxitos y fallos. Los rechazos de política cuentan intentos bloqueados por las reglas del laboratorio; no implican que se hayan traspasado sus límites.
Son ejecuciones únicas sobre 100 tareas sintéticas, dentro del rango de semillas de entrenamiento del benchmark. No se han auditado independientemente el solapamiento con el entrenamiento ni la equivalencia completa de la inferencia. La diferencia de 22 puntos porcentuales es descriptiva: no demuestra una mejora causal del SFT ni generalización a tareas nuevas. No se ha establecido rendimiento de seguridad en producción ni ahorro de costos.
Descargar evidencia depurada ↓Solo se incluyen datos agregados seleccionados explícitamente. Se excluyen trayectorias brutas, configuraciones internas y datasets privados.
Qué está implementado
El repositorio contiene un entorno de tareas sintéticas con políticas de seguridad, un verificador independiente, un pipeline secuencial de recolección de ejemplos, preparación validada de datasets y un módulo opcional de entrenamiento SFT / QLoRA. Son componentes de investigación, no una plataforma comercial terminada.
04 / Tecnología
Autonomía con límites claros.
Arquitectura conceptual para agentes que usan herramientas. Las herramientas restringidas y la verificación independiente separan las decisiones del agente de los resultados de evaluación.
01Modelo de lenguaje
02Agente de IA
03Herramientas
04Entorno de seguridad
05Evaluación
06Retroalimentación
← La evaluación orienta futuras iteraciones de modelos y datasets
05 / Aplicaciones
Investigación hoy.
Posibilidades mañana.
Aplicaciones futuras potenciales. Son objetivos de investigación, no servicios comerciales disponibles.
Auditoría de configuraciones de seguridad
Explorar agentes que detecten y corrijan problemas de configuración en ámbitos expresamente autorizados.
Pruebas de seguridad defensiva
Investigar pruebas asistidas por IA en entornos sintéticos y controlados.
Investigación autónoma de seguridad
Estudiar el razonamiento multietapa y el uso de herramientas mediante trayectorias inspeccionables.
Benchmarking de agentes de ciberseguridad
Desarrollar evaluaciones reproducibles con condiciones transparentes y verificación independiente.
IA especializada eficiente
Investigar modelos pequeños como base práctica para la automatización especializada.
06 / Nuestra visión
Inteligencia especializada.
Más accesible desde su diseño.
Un futuro donde los agentes de ciberseguridad puedan desarrollarse y evaluarse sin depender exclusivamente de modelos enormes e infraestructura prohibitivamente costosa.
07 / Sobre el laboratorio
Investigación independiente.
Ingeniería con propósito.
Cyber-Agent-Lab es un proyecto independiente de investigación e ingeniería, autofinanciado y en etapa temprana, que explora agentes autónomos eficientes para ciberseguridad. Se centra en experimentación controlada, evaluación reproducible y un camino responsable hacia una automatización útil.
Ayuda a definir lo que viene.
Para futuras colaboraciones de investigación y conversaciones técnicas.