文章总结： 这篇文章介绍了一个名为DeepHat的无审查AI模型，专为网络安全和渗透测试设计。该模型基于阿里巴巴的Qwen2.5-Coder系列微调，有7B和32B两个版本，训练数据达170万个样本。DeepHat的核心特点是’无审查、为红队和安全自动化而生’，能够生成真实的攻击代码，同时支持攻击和防御场景。作者实测发现该模型确实无限制，回答质量好，对渗透测试及安全工作非常有价值。
综合评分： 87
文章分类： AI安全,渗透测试,安全工具,红队,漏洞分析
推荐一个无审查的模型，特别适合渗透测试等安全工作
原创
孙志敏
AI与安全
2025年11月8日 16:24
北京
提供公共服务的大模型，安全上都做了限制，有些问题拒绝回答，特别是跟渗透测试相关的问题，拒绝回答的比较多，或者回答了基本内容，但不给代码脚本。一直在找无审查限制的模型，今天试了DeepHat，感觉比较好，推荐使用。
01
模型介绍
DeepHat（原名WhiteRabbitNeo）是一个专门为网络安全设计的开源大语言模型，在2024年更名后成为业内首个真正”无审查”的安全AI模型。
开发背景与团队
DeepHat由Kindo AI公司开发和维护，这是一家专注于DevSecOps的企业安全和基础设施公司。创始人Migel Tissera领导了该项目的开发。该项目最早于2023年12月推出，是市场上第一个专门为网络安全打造的AI模型。
基础模型架构
DeepHat基于阿里巴巴的Qwen2.5-Coder系列模型进行微调，目前有两个主要版本：
- DeepHat-V1-7B：7.61B参数，28层，支持131,072 tokens的上下文长度
- DeepHat-V3-32B：32B参数版本，提供更强的性能
训练数据规模
DeepHat的训练数据经历了大幅扩展：
- 早期版本：使用10万个攻防安全数据样本
- V2.5版本：扩展到170万个样本
- 数据来源：真实世界的安全事件、Web安全、恶意软件分析、基础设施即代码、漏洞数据库、威胁情报网络等
训练过程采用渐进式难度提升策略，从基础代码编写到复杂的根因分析，让模型获得实践性的”直觉”。训练包含超过100万个监督式问答对。
核心设计目标
DeepHat的设计理念是”无审查、为红队和安全自动化而生”。主要目标包括：
- 无限制性：没有传统模型的道德护栏，能够生成真实的攻击代码
- 双重用途：同时支持攻击（红队）和防御（蓝队）场景
- 本地部署：可在企业自己的云环境或本地运行，确保数据安全
- 理解对手：像攻击者一样思考，因为它就是按攻击者的方式训练的
性能表现与基准测试
在 Cybench 的自主 CTF 基准测试中，大多数模型都失败了。Deep Hat 却能与规模是其 10 倍的模型匹敌，而且它完全自主管理，可在云端或本地运行。它不受任何限制，专为红队演练和安全自动化而构建，并且能够理解真实的基础设施。没有过滤器，也没有外部依赖。将其与 Kindo 结合使用，即可根据您的需求解锁自主代理、实时威胁数据和工具访问权限。
02
实测效果
目前的Deephat 7B模型可以直接使用Ollama拉取使用。
ollama pull DeepHat/DeepHat-V1-7B:latest
其它尺寸的模型还没有迁移到DeepHat,还是用，可以到https://ollama.com/WhiteRabbitNeo查看。
实际测试了几个问题，确实是无限制（截图只是答案的一部分，实际上答案非常清晰完整）：
而在其它模型上是这样：
有兴趣的可以找更多问题来试试。
03
总结
无限制的模型对渗透测试及整个安全工作是非常重要的。之前试过Jinx的模型（ https://huggingface.co/Jinx-org/Jinx-gpt-oss-20b-GGUF），效果非常不理想。
此次的DeepHat，回答质量很好，对MCP的支持也很好，基本能满足日常工作的要求。目前其32B的还没发布（已发布的是老版本），到时候再看看32B是否能有更惊艳的效果。
免责声明：
本文所载程序、技术方法仅面向合法合规的安全研究与教学场景，旨在提升网络安全防护能力，具有明确的技术研究属性。
任何单位或个人未经授权，将本文内容用于攻击、破坏等非法用途的，由此引发的全部法律责任、民事赔偿及连带责任，均由行为人独立承担，本站不承担任何连带责任。
本站内容均为技术交流与知识分享目的发布，若存在版权侵权或其他异议，请通过邮件联系处理，具体联系方式可点击页面上方的联系我。
本文转载自：AI与安全 孙志敏《推荐一个无审查的模型，特别适合渗透测试等安全工作》