SecJev发布首个安全专用决策模型系列

SecJev 是首个专为安全领域设计的 Jev 类决策模型系列，参数量覆盖 0.8B 至 9B，基于 Kev 的单遍候选评分器构建，能够从文本、遥测数据和观测历史中学习布尔、选择和有序决策。该研究发布了 SecJev-Corpus 数据集，统一了 14 个任务和 8 个来源（包括工具输出、流量、联邦更新、共识、认证和车辆消息）的源标签预测与显式策略评估，并通过场景加权训练在不同领域间保持共享的类型化决策接口。 实测数据显示，安全专业化使该系列所有模型性能提升，其中 SecJev-0.8B 在任务宏观准确率上比通用 Kev-9B 高出 20.51 个百分点。与仅针对答案生成的微调相比，SecJev 在保持相近准确率和延迟的同时，峰值推理内存占用更低。在新来源组上的测试复现了对 Kev 在提示注入和流量决策中的优势，但也观察到依赖捕获的误报现象。 作者已开源适配器、决策头、SecJev-Corpus 以及训练和推理代码。事实层面确认了模型在特定安全任务上的精度优势和资源效率；推断层面表明该架构可能成为未来安全自动化系统中低延迟决策的核心组件；猜测层面需关注其“依赖捕获的误报”在实际复杂网络环境中的具体表现及缓解机制。