Modelos de IA Locais Testados para Red Teaming: Capacidade e Vulnerabilidades Reveladas

A pesquisa de Roei Sherman trouxe novos insights sobre o uso de modelos de IA locais para red teaming, uma área crítica da cibersegurança. O estudo testou 33 modelos de IA em um cluster DGX Spark de dois nós, simulando um ambiente de hardware próprio, algo que o CEVIU News já havia abordado na matéria "Avaliação de LLMs Self-Hosted para Segurança Ofensiva", de 21 de abril de 2026. A principal motivação foi a independência de APIs externas, resolvendo questões de dependência, residência de dados e custos. O objetivo é transformar a capacidade de red teaming de uma dependência de terceiros para uma ferramenta interna e controlada.

Sherman validou a eficácia das IAs em três frentes: capacidade de segurança (raciocínio sobre superfícies de ataque reais, como análise BloodHound e design de phishing), disposição e precisão das respostas (em 50 prompts de red teaming) e capacidade de codificação (ferramentas ofensivas e testes de CVEs). Uma descoberta crucial para implementações locais foi que a arquitetura do modelo supera o tamanho: modelos MoE (Mixture-of-Experts), embora possam ter um número total maior de parâmetros, consomem menos largura de banda de memória em hardware como o DGX Spark, tornando-os mais eficientes. Isso inverte a intuição de que modelos maiores são sempre mais lentos, oferecendo um guia técnico importante para a seleção de modelos.

A cobertura anterior do CEVIU News já destacava o potencial das IAs locais para segurança ofensiva, como na avaliação da TrustedSec em 21 de abril de 2026, e para tarefas de codificação, conforme discutido em 11 de julho de 2026. No entanto, a pesquisa de Roei Sherman leva esse tema a um novo patamar de profundidade e granularidade. O estudo não apenas confirma a viabilidade, mas explora detalhadamente as características de desempenho em hardware específico e avalia as IAs em cenários de red teaming muito mais complexos e encadeados, como a análise de caminhos de ataque no BloodHound e a criação de e-mails de phishing.

A principal novidade é a constatação técnica de que, em ambientes de hardware restritos pela largura de banda da memória, como os DGX Spark, a arquitetura MoE de modelos como o Qwen3.6-35B-A3B e Qwen3-Coder-Next oferece um desempenho muito superior a modelos densos maiores. Isso muda a forma como as equipes de segurança devem abordar a seleção e implantação de IAs para red teaming local, priorizando a eficiência arquitetônica sobre o simples volume de parâmetros. Enquanto estudos anteriores, como o da Aikido (22 de julho de 2026) e o da Booz Allen (7 de setembro de 2026), focavam mais na detecção de vulnerabilidades e cenários de ataque genéricos, Sherman testou a capacidade da IA de atuar como um operador de red team completo.

Para equipes de segurança da informação, esta pesquisa valida o investimento em infraestrutura própria para integrar IAs em suas operações de red teaming. A capacidade de executar modelos de IA localmente elimina preocupações com soberania de dados, latência e dependência de provedores externos, transformando a IA de uma ferramenta "as-a-service" em um ativo estratégico interno. Isso permite que empresas desenvolvam e personalizem suas próprias capacidades ofensivas de IA, adaptando-as às suas necessidades específicas e mantendo total controle sobre os dados e processos.

A ênfase na arquitetura MoE como um fator crítico de desempenho em hardware com largura de banda de memória limitada é um direcionamento técnico fundamental. Equipes agora têm um critério claro para selecionar modelos para implantação local, otimizando o custo-benefício e a eficácia. Essa autonomia e eficiência podem levar a testes de segurança mais frequentes, profundos e personalizados, fortalecendo a postura defensiva contra ameaças cibernéticas cada vez mais sofisticadas.