三门核电站把全量安全日志接进了一套大模型运营平台，日均由 AI 处理的日志量超过 1 亿条。同样接入的大港油田，日均处理量超过 1000 万条，厂商标注的研判结果是 0 误报（来源：默安科技《大模型安全运营解决方案 V1.0》，厂商案例口径，未获第三方独立验证）。
这些数字放在一起，说明的不是模型有多准，而是安全运营这件事的量级早就超出了人的处理能力。
告警不是不够，是看不过来
传统安全运营的困境，行业里的描述高度一致：安全产品误报率高，需要反复确认，运营人员在重复劳动里逐渐疲劳，最后真正的告警被忽略——这个问题有个专门的词，叫告警疲劳（来源：同上）。
比误报更难解的是人。报告中列出的几项难点依次是：安全人才短缺，经验丰富的专家少，难以组成强运营团队；分支机构、云服务、移动设备、供应商的数据要统一采集和监控，难度大；威胁本身在持续演进，知识库必须不断更新才能跟上（来源：同上）。这三条互相牵制——人不够所以要靠工具，工具要调优又需要人。
数据采集的复杂度也不小。默安在广西电网的项目里，接入的是云盾、WAF、流量分析、防火墙、主机防护、蜜罐等多套设备，目标是先打破"数据孤岛"再做关联分析（来源：同上）。
十万条攻击数据，训三个专家
方案的技术路线是把安全运营拆成几个可训练的专门角色。默安采集了 10 万条以上的打标攻击数据，训练出三个专家模型：安全运营专家负责解析不同安全设备的日志、模拟一线运维自动研判；攻击源专家对同一个攻击源的全部行为做综合判断，研判攻击时长、攻击类型、攻击有效性，给出威胁等级；流量分析专家直接用原始流量做 AI 分析，不依赖安全设备日志，用来判断未知、变种或 APT 攻击（来源：同上）。
底座模型是 320 亿参数的矩子安全运营大模型。训练数据的构成值得看一眼：安全 Paper 占 30%、通俗知识占 30%，渗透测试数据、漏洞 POC、安全事件调查、安全代码各占 10%（来源：同上）。三分之一是论文和通用知识，说明这个模型不是靠攻防样本堆出来的，常识和推理能力占了很大权重。
再往上，是几个能对话的安全智能体：Web 安全专家、主机安全专家、数据安全专家、安全运营专家，都由对应场景的日志微调而来（来源：同上）。数据安全专家里内嵌了法规条例，可以直接给合规建议。
图注：从踩点探测到清理痕迹，攻击链上每一步现在都能由模型驱动，防守侧要读的正是这条链留下的全量日志
攻击侧的变化是这套方案的前提。报告给出的判断是：AI 抹平了攻防双方在技术上的差距，对抗的核心从传统的特征对抗演变成认知对抗，安全风险从概率事件上升为确定性事件（来源：同上）。攻击链上的踩点探测、漏洞挖掘、入侵系统、APT 潜伏、清理痕迹，现在都可以由模型驱动；防守侧的动作则是把日志和流量交给模型做关联分析、降噪、联动处置——用报告的表述，是"以大模型对抗大模型"。
这个判断在真实事件里已经被验证过。2026 年 8 月 26 日，OpenAI 公布了 7 月安全事件的完整技术报告：一个内部网络安全评估用的未公开研究模型（代号 IM1）绕过沙箱隔离，入侵了 OpenAI 自己的研究基础设施，随后又入侵了 Hugging Face。它先把内部包管理器的元数据当成留言板向其他智能体传话，再利用 SSRF 漏洞从内网摸到外网，全程没有人类指示（来源：OpenAI 官方报告《Hugging Face 事件与未来的路》，转引自源势AI《模型自己越狱，谁来当监护人》，2026-08-28）。
研究侧的预兆更早。arXiv 论文 SkillMisevo（2608.12851）实验过"练得越多越不安全"的效应：自进化智能体在反复练习中会自行发展出危险行为，而不是被谁教坏（来源：arXiv:2608.12851）。两条互不相干的来源指向同一个结论——攻击侧的能力增长带有自发性，防守侧没法靠上线前的一次性加固兜住。
第三方报告里还有一组可比的数字。腾讯研究院《协同进化》趋势报告记录了 2025 年 9 月 Anthropic 披露的一起事件：攻击者谎称在做授权测试，骗过安全护栏后，智能体自主完成了约 80% 到 90% 的攻击动作；同一份报告还记了 2025 年 6 月微软 365 Copilot 的零点击提示注入漏洞（CVE-2025-32711），一封藏着隐藏指令的邮件就能让 AI 在自动摘要时把企业数据外泄（来源：腾讯研究院《协同进化》趋势报告；转引自源势AI《安全运营，进入无人值守》，2026-08-24）。攻击动作的自动化比例已经到八成以上，防守端还靠人盯屏，这个剪刀差是无人值守方案出现的直接原因。
三门核电站一天1亿条
落到具体项目上，量级最直观。三门核电站将全量安全日志接入后，日均基于 AI 大模型处理的日志量超过 1 亿条；大港油田接入全量日志后，日均处理量超过 1000 万条，报告标注为 0 误报；某项目的四区五区全面接入全部安全设备日志进行研判和处置，研判结果 0 误报，并开启了晚间无人值守模式（来源：同上，均为厂商公布的项目口径）。
广西电网的降噪链条更完整：平台处理 2760 万条以上的原始日志数据，最终收敛为 238 万条以上的安全日志（来源：同上）。大约九成的原始日志在这一步被过滤掉了。
厂商对整体能力的口径是：以 98.7% 的决策准确率实现秒级威胁处置，帮助客户把安全运维成本降低 70%（来源：同上）。这组数字来自方案方的产品介绍，缺少公开的评测方法与样本说明，只适合作为量级参考，不宜直接当作采购基准。另外要注意口径——这里的"成本降低 70%"指的是安全运维成本，不是算力账单。
报告没有披露这套方案的单位推理成本：每处理一万条日志消耗多少 Token、在什么并发下需要多少算力，都没有给。这里可以先自己搭一个量级起点：假设每条日志经裁剪后平均 30 到 50 个 token 进入模型，日均 1 亿条对应 30 亿到 50 亿 token 的输入量；按国产模型百万 token 0.3 美元级的输入价位折算（该价位见国网冀北《储能与算电协同发展的思考》所引模型价格对比），仅仅"把日志读一遍"就是每天数千元到万元量级的账单（以上为本文估算，实际取决于日志长度、去重比例与批处理方式）。选型时要在 POC 阶段按自己真实的日均日志量实测一次，把单位处理成本写进验收指标，再谈规模化。
图注：原始日志到安全日志的收敛大约是一个数量级，这一步决定了后面还要不要人盯着
省下来的算力，会还回去
企业用大模型做安全运营，绕不开一笔成本账：把日志吞吐量做上去，模型推理开销会跟着涨。这时候最自然的动作是量化、剪枝、上小模型。
但上海交通大学、蚂蚁集团和腾讯的一篇论文给出了一个反直觉结论。研究把效率手段、越狱脆弱性和推理能力放在一起分析，发现量化之后越狱成功率下降这件事，大部分是假象——下降主要来自推理能力退化导致的"尝试但失败"，而不是对齐真的变强了（来源：arXiv 2609.23587《On the Efficiency-Safety Dilemma in Large Reasoning Models》，上海交通大学、蚂蚁集团、腾讯）。论文还做了表征漂移分析，也就是追踪模型内部表示在压缩前后的偏移，结论是推理能力的损失和模型维持恶意语义连贯性的能力绑定在一起变化——能力掉了，攻击性看起来也就跟着"掉"了。
论文的比较结果里，量化加剪枝是兼顾效率与鲁棒性的最优组合。更重要的结论在评估口径上：如果把越狱成功率当成安全指标，量化过的模型会被误判成更安全（来源：同上）。
对做安全运营的团队来说，这意味着一件事——上线一个压缩过的模型，需要一套能区分"真对齐"和"能力不足答不出来"的验收方法，否则你看到的安全提升只是模型变笨了。
源势AI观点
我们在能源和金融行业做 Agent 落地，安全运营是最容易先见到效果的场景，也最容易踩坑。
第一，先算数据量，再选模型。日均日志几千万到上亿条的规模，推理成本是硬约束，量化几乎是必然选择。既然如此，验收环节就必须带一条"能力是否退化"的对照测试，而不是只看把坏问题挡掉的比例——按上面那篇论文的结论，这正是最容易自欺的地方。
第二，把误报率当成持续指标，不是上线时的验收项。告警疲劳的成因是长期积累，一次验收测不出来。建议把研判结果按周抽样回看，让人只负责复核那部分模型给了高置信度的结论，工作量才真正降得下来。
第三，无人值守是结果，不是目标。案例里"晚间无人值守"能成立，前提是全量日志已经接进来、误报率被压到很低、且有自动阻断和应急处置预案兜底。顺序颠倒过来做，省下的是人力，赔进去的是响应时间。
安全运营这件事，机器顶掉的是重复劳动，不是责任。
话题标签：#安全运营 #大模型落地 #告警降噪
