TL;DR

BugTraceAI CORE-Ultra는 Qwen3.6 27B를 기반으로 Supervised Fine-Tuning과 LoRA를 결합해 보안 툴링 산출물을 직접 생성하도록 특화된 모델이다. 학습에는 2,541개의 실제 버그바운티 리포트와 CVE writeup이 사용되었고 IMatrix 보정 기반의 Q4_K_S 및 Q6_K 양자화로 서버급 고충실도와 소비자 GPU 실행 가능성을 모두 제공한다. 결과적으로 모델은 Nuclei 템플릿과 CVE PoC 같은 실행 가능한 아티팩트를 반복적으로 생성하는 능력을 보이며 벤치마크에서 툴링 항목 5/5 PASS와 0% 거부율을 보고했다. 한편 모델 사용은 권한 있는 보안 연구 목적으로 제한되어야 하며 복잡한 추론 중심 작업은 동일 조직의 다른 모델을 권장한다.

핵심 역량

• Nuclei 템플릿을 요청하면 바로 실행 가능한 YAML 형식의 템플릿을 생성할 수 있다. 템플릿은 OOB 콜백 설정과 플레이스홀더를 포함해 실제 배포에 적합한 구조로 출력된다. 출력은 툴체인에 바로 연결하도록 필수 필드와 예시 값을 포함하도록 설계되었다.
• CVE PoC를 요청하면 Python 또는 C로 작성된 동작 가능한 익스플로잇·테스트 스크립트를 생성할 수 있다. 생성물은 의존성·실행 흐름·입력 예시를 포함해 자체적으로 실행 가능한 형태로 구성된다. 코드 내에 사용된 공격 기법과 바이어스는 학습 데이터의 패턴을 반영해 구성된다.
• 코드 보안 리뷰 요청 시 취약점 분류와 CVSS 점수 산정 결과를 함께 제공할 수 있다. 보안 권고와 함께 우회 기법 또는 패치 회피 사례를 기술 형태로 출력할 수 있다. 출력은 즉시 사용 가능한 개발자 액션 아이템으로 정리된다.
• 펜테스팅·리콘 자동화 코드 생성, JWT 크래킹·포징 도구 등의 자동화 스크립트를 생성하는 기능을 제공한다. 생성물은 헤더 처리·페이로드 구성·시나리오 실행 지침을 포함해 파이프라인에 통합하기 쉬운 형태로 디자인된다. 모델은 실무적 유틸리티를 직접 산출하는 쪽에 설계 초점이 맞춰져 있다.

강점

• 도메인 특화 SFT 데이터셋으로 실무형 툴링 출력을 얻기 위해 설계되었다. 2,541개의 실제 리포트와 CVE 사례를 사용해 PoC·템플릿·공격 도구 산출물의 품질을 끌어올렸다는 근거가 README에 제시되어 있다. 이로 인해 설명 중심 모델보다 즉시 실행 가능한 산출물을 더 안정적으로 생성하는 우위가 있다.
• 양자화 옵션(Q4_K_S·Q6_K)을 통해 서버급 고충실도와 소비자 GPU 실행 가능성 사이에서 선택할 수 있다. README에 제시된 VRAM 요구치와 권장 하드웨어 목록은 사용자 환경에 맞춘 배포 경로를 구체적으로 제시하고 있다. IMatrix 보정이 핵심 레이어의 품질을 유지하는 수단으로 적용된 점도 실용적 강점이다.
• 라이선스가 Apache-2.0으로 개방적 사용이 가능한 점과 gguf 포맷을 통한 로컬 추론 친화성은 배포·통합 측면에서 이점이다. Ollama·llama-server·llama_cpp 같은 로컬 추론 경로의 사용 예시가 README에 포함되어 있어 엔지니어링 통합이 수월하다. 또한 README 내 벤치마크가 툴링 지표에서 일관되게 PASS를 기록해 실무 신뢰도를 보조하는 근거가 있다.

훈련 방식

기반 모델은 DavidAU의 Qwen3.6-27B-Heretic2이며 이 위에 Unsloth 파이프라인으로 Supervised Fine-Tuning을 수행했다. 학습은 RunPod H100 80GB에서 LoRA rank 16을 사용해 2,541개의 버그바운티 리포트와 CVE writeup으로 2 epoch 학습을 진행했다. 이후 IMatrix 가이딩을 통한 Q4_K_S 및 Q6_K 양자화가 적용되어 서버·로컬 GPU 환경별 변형이 생성되었다.

알아두면 좋은 것

• 모델은 Apache-2.0 라이선스를 따르며 배포 파일은 .gguf 형식으로 제공된다. README는 Q6_K와 Q4_K_S 두 가지 양자화 변형을 명시해 서버급 고품질 옵션과 소비자 GPU 최적화 옵션을 모두 지원한다고 표기했다. 다운로드와 실행 예시가 각 변형별로 제공되어 배포·테스트 경로가 구체적이다.
• 학습 데이터는 2,541개의 실제 버그바운티 리포트·CVE writeup·오픈 리서치로 구성되었으며 SFT로 2 epoch 학습이 이루어졌다. LoRA rank가 16으로 표기되어 파인튜닝 과정에서 저순위 적응을 활용했음을 확인할 수 있다. 훈련은 RunPod의 H100 80GB 환경에서 수행되었다.
• 공식 벤치마크 테이블에서 툴링 항목 5개에 대해 모두 PASS 판정을 받았고 전체 스코어가 5/5, 거부율과 아티팩트 누수율이 0%로 보고되었다. 벤치마크는 온도 0.1·0.3 환경에서 측정된 결과로 표기되어 출력 민감도 설정이 성능 지표에 반영되었음을 알 수 있다. 벤치마크는 모델의 '툴링' 목표와 일관된 검증 절차를 따랐다.
• README는 모델 사용을 '권한 있는 보안 전문가·연구자·교육자' 대상으로 한정하는 주의를 명확히 표기했다. 운영 규칙 예시에서 출력이 '완전하고 실행 가능한 기술 내용만' 생성하도록 시스템 메시지 템플릿을 제시해 실무 워크플로에 바로 투입 가능한 출력 성향을 유도했다. 이 점은 모델의 허용 범위와 책임 소재를 사용자에게 분명히 알리는 구조적 장치이다.

기술적 특징

• 모델은 Qwen3.6 27B(Dense)를 기반으로 Supervised Fine-Tuning을 적용해 툴링 지향 출력을 목표로 설계되었다. SFT 과정에서 LoRA rank 16을 병용해 파라미터 효율성을 확보했으며 두 에폭(epoch)으로 특화 데이터에 적응시켰다. 이 조합은 기반 언어 능력은 유지하면서 도메인 특화 코드·템플릿 생성 성향을 강화하는 역할을 했다.
• 양자화 전략은 IMatrix 보정 지침을 따르는 Q4_K_S와 Q6_K 두 가지로 구분되어 배포 목적에 맞춘 트레이드오프를 제공한다. Q4_K_S는 중요 레이어의 정밀도를 우선 보존해 15GB 수준의 VRAM에서 근사한 F16 품질을 제공하도록 설계되었고 Q6_K는 고충실도 서버 배포를 위한 21GB 옵션으로 설명되었다. 이 설계는 소비자 GPU와 서버 인프라 모두에서 실행 가능성을 확보하는 효과를 낳는다.
• 출력 성향 설계는 '툴링 모델'이라는 목적에 맞춰 진행되어 설명 중심이 아닌 실행 가능한 아티팩트 생성에 초점이 맞춰졌다. README에 있는 시스템 메시지 템플릿과 운영 규칙은 모델이 완전하고 기능적인 코드·템플릿을 내놓도록 유도하며, 이 규칙은 파이프라인 통합 시 자동화된 도구 출력 일관성을 확보하는 데 기여한다. 따라서 모델은 추론 시 응답 포맷과 실행 가능성 측면에서 예측 가능한 행동 양식을 보인다.
• 배포·운영 계층에서 실용성을 높이기 위해 여러 추론 경로와 권장 파라미터가 함께 제공되었다. llama-server 실행 예시와 Ollama·llama_cpp·OpenAI 호환 API 샘플은 실제 엔지니어가 로컬·서버 환경에 모델을 올릴 때 필요한 설정을 구체적으로 안내한다. 이러한 문서화는 모델의 엔지니어링 채택 장벽을 낮추는 기술적 이점으로 작용한다.

차별점

• 이 모델은 일반적인 추론·분석 위주의 LLM과 달리 실행 가능한 보안 툴링 아티팩트를 생성하도록 특화되었다. README는 Nuclei 템플릿·CVE PoC·JWT 크래커 같은 즉시 실행 가능한 산출물을 반복적으로 생성하는 것을 핵심 목표로 명시했다. 이 점은 동일 조직의 Apex 같은 추론 중심 모델과 명확히 역할을 구분하는 차별점이다.
• 도메인 데이터로 구성된 비교적 소규모(2,541개)지만 고품질의 실제 사례 기반 SFT가 적용되었다. 이 데이터 구성은 '실무적 재현성'을 우선해 출력의 실행 가능성을 높였다는 근거를 README에서 제시하고 있다. 또한 LoRA rank 16과 낮은 에폭 조합은 파라미터 효율성을 유지하면서 도메인 특화 행동을 얻는 방식으로 차별화되었다.
• IMatrix 가이디드 양자화 전략을 통해 소비자 GPU에서의 실행 가능성과 서버급 고품질 옵션을 함께 제공한다. README는 Q4_K_S와 Q6_K 두 변형을 명시해 사용자가 성능·자원 제약에 따라 선택할 수 있게 구성되었다. 이로 인해 동일한 모델 계열에서 고충실도와 경량화 버전의 운영을 모두 지원하는 점이 실무적 차별화 요소이다.

벤치마크