Lokales 9B-Modell prüft 27.489 CVEs und findet bei 4,2 Prozent keine Angabe zur Sicherheitsauswirkung
Ein neuer Test mit lokaler Inferenz und Cloudflares 9B-Modell Clef Flash hat 27.489 aktuelle Schwachstelleneinträge ausgewertet. Bei 4,2 Prozent der CVEs außerhalb des Kernels fehlt jede Aussage zur Sicherheitsauswirkung. Diese Lücke erschwert automatisierte Abwehrprozesse.

Am 4. Oktober 2026 erschien auf dem Blog von Jerry Gamblin eine neue Studie. Sie will ein altes Klassifikationsproblem im Sicherheitsbetrieb lösen: Lokale Sprachmodelle laufen dabei gegen einen sehr großen Datensatz aktueller Meldungen.
Sicherheitsforscher ringen seit Langem mit der Frage, ob ein veröffentlichter Schwachstelleneintrag tatsächlich erklärt, warum ein Fehler für Verteidiger relevant ist. Es geht nicht nur um das Auslesen von Feldern, sondern um das Verstehen des Fließtexts. Gamblin arbeitet in Arbeitsgruppen des CVE-Programms und betont, dass die Ergebnisse keine offizielle Position des Programms sind. Die Studie nutzt den neuen Decision-Endpunkt von Ollama, um die Clef-Modelle von Cloudflare auf einem MacBook laufen zu lassen. Für jede CVE, die zwischen dem 4. August und dem 3. Oktober 2026 veröffentlicht wurde, beantworten die Modelle zwei Fragen: Sagt die Beschreibung, warum der Fehler relevant ist, und ist das klar formuliert?
Der technische Aufbau stützt sich auf einen neuen Typ von Modellschnittstelle, den Ollama 0.35 eingeführt hat. Diese Modelle erzeugen keinen frei laufenden Text. Sie nehmen einen Zustand und eine Reihe typisierter Fragen entgegen und liefern Auswahlentscheidungen, Ja-Nein-Wahrscheinlichkeiten und Bewertungen zurück.
Die Ergebnisse sind schlicht. Außerhalb des Linux-Kernels sagen 989 von 23.736 Beschreibungen, also 4,2 Prozent, nie, was ein Angreifer tun könnte. Das ist etwa jeder 24. Eintrag. Der Linux-Kernel ist ein eigener Fall, weil seine veröffentlichte Richtlinie die Einschätzung der Auswirkung dem Nutzer überlässt. Folglich nennen 3.661 seiner 3.753 Einträge keine Auswirkung. Zusammengenommen steigt die Zahl über alle CVEs auf 4.650 von 27.489, das sind 16,9 Prozent des Datensatzes.
Zweistufige Prüfung senkt Fehlalarme
Ein einzelnes 9B-Modell reicht nicht für belastbare Schlüsse. Der Autor räumt ein, dass Clef Flash allein zu streng urteilt. Deshalb ließ die Studie ein zweites Modell, das vollständige 27B-Modell Clef, alles erneut lesen, was außerhalb des Kernels als "keine Auswirkung" markiert worden war. Dieser zweite Durchgang soll falsch negative Treffer herausfiltern, also Fälle, in denen ein kleineres Modell einen versteckten Risikohinweis übersieht.
Das 27B-Modell kippte 1.198 der 2.187 ursprünglichen Markierungen, eine Quote von 54,8 Prozent. Diese hohe Korrekturrate zeigt, wie schwer die Aufgabe ist. Zur Kontrolle verglich der Autor die Antworten mit 129 veröffentlichten CVEs, die er von Hand verschlagwortet hatte. Die zweistufige Antwort erfasste 15 der 16 Einträge, die er als ohne Auswirkung eingestuft hatte. Wichtig: Keinen seiner "ja"-Einträge stufte das Verfahren als "nein" ein. Das spricht für eine hohe Genauigkeit bei der Erkennung von Verneinungen.
Clef Flash beantwortete beide Fragen für jede neue CVE auf einem Laptop im Median in unter einer Sekunde. Ein API-Schlüssel war nicht nötig, eine Rechnung entstand nicht. Mit diesem Tempo und diesen Kosten können Organisationen ihre eigenen Pipelines zur Schwachstellenverwaltung prüfen, ohne auf Cloud-Dienste oder proprietäre Schnittstellen zurückzugreifen.
Der Kontext lokaler Inferenz
Die Studie reiht sich in einen breiteren Trend ein: leistungsfähige KI auf lokaler Hardware. Der Decision-Endpunkt von Ollama ist ein konkretes Beispiel dafür. Er erlaubt es Entwicklern, Sprachmodelle als Klassifikatoren zu behandeln statt als Textgeneratoren. Das hilft besonders bei Aufgaben mit festen Ausgabeformaten, etwa der Sicherheitstriage, wo ein halluzinierter Satz teurer ist als ein falsch einsortiertes Label.
Die Modelle selbst sind Fine-Tunes offener Gewichte. Clef ist ein 27B-Modell, das auf Qwen 3.8 aufsetzt, Clef Flash ein 9B-Modell auf Basis von Qwen 3.5. Beide laufen auf Cloudflares Workers-AI-Plattform, doch die Studie entstand vollständig auf einem lokalen Laptop. Der Unterschied zählt, weil er zeigt: Der Nutzen dieser Modelle hängt nicht an zentraler Infrastruktur. Ein Sicherheitsteam kann das Modell herunterladen und die Prüfung auf eigener Hardware fahren. Sensible Schwachstellendaten verlassen dann nie das eigene Netz.
Der Datensatz umfasst einen Zeitraum von 60 Tagen, vom 4. August bis zum 3. Oktober 2026. Diese Aktualität ist wichtig, um den Stand der heutigen Offenlegungspraxis einzuschätzen. Die 27.489 Einträge sind eine große Menge, doch mit lokaler Inferenz bleibt sie handhabbar. Bei einem Median von unter einer Sekunde pro Eintrag lässt sich die gesamte Prüfung auf handelsüblicher Hardware in wenigen Stunden abschließen.
Folgen für die automatisierte Abwehr
Dass 4,2 Prozent der CVEs außerhalb des Kernels keine Sicherheitsauswirkung nennen, hat direkte Folgen für automatisierte Abwehrsysteme. Viele Werkzeuge stützen sich auf CVE-Beschreibungen, um Patches zu priorisieren. Fehlt die Auswirkung, kann das Werkzeug das Risiko nicht sauber bewerten. Verteidiger müssen dann von Hand nachsehen oder fremde Datenbanken bemühen, was Verzögerungen und Widersprüche mit sich bringt.
Lokale Modelle können diese Lücke schließen, weil sie die Qualität von CVE-Einträgen einheitlich und skalierbar bewerten. Die zweistufige Prüfung mit einem kleinen Modell für den ersten Filter und einem größeren für die Nachkontrolle bietet einen Kompromiss aus Tempo und Genauigkeit. Das Verfahren ließe sich auf andere Bereiche übertragen, in denen strukturierte Klassifikation gefragt ist, etwa Log-Analyse oder Triage bei Sicherheitsvorfällen.
Der Hintergrund des Autors in den Arbeitsgruppen des CVE-Programms verleiht den Ergebnissen Gewicht, auch wenn er ausdrücklich sagt, sie seien keine offizielle Position. Gerade diese Trennung erlaubt unabhängige Prüfung und Kritik. Die offene Methodik mit Modellen auf offenen Gewichten und veröffentlichter Anfragestruktur ermöglicht es anderen Forschern, die Studie nachzuvollziehen und die Ergebnisse zu überprüfen.
Was die Modelle leisten
Die Wahl von Clef Flash und Clef für diese Aufgabe ist kein Zufall. Der Decision-Endpunkt in Ollama 0.35 wurde eigens für solche Klassifikationsarbeit gebaut. Die Modelle sind darauf abgestimmt, typisierte Fragen zu beantworten, was die Ausgabe präzise steuerbar macht. Allzweck-Chatmodelle liefern dagegen oft weitschweifige oder uneinheitliche Antworten, die sich schwer automatisch auswerten lassen.
Mit 9.000.000.000 Parametern läuft Clef Flash auf Verbraucherhardware. Das vollständige Clef-Modell mit 27.000.000.000 Parametern braucht mehr Ressourcen, liefert in der Nachkontrolle aber höhere Genauigkeit. Dieser gestufte Ansatz lässt Organisationen ihre Prüfungen an Hardware und Genauigkeitsbedarf anpassen. Ein kleines Team mit wenig Ausstattung nutzt nur das 9B-Modell für einen schnellen Durchlauf, eine größere Organisation fährt den zweistufigen Weg für eine gründlichere Prüfung.
Die Studie zeigt zudem, wie wichtig Datenqualität im Sicherheitsbetrieb ist. Die 4,2 Prozent fehlender Auswirkungsangaben sind keine statistische Kuriosität, sondern ein praktisches Hindernis für wirksame Verteidigung. Indem die Studie die Lücke benennt, liefert sie einen Ausgangswert, an dem sich Verbesserungen der CVE-Beschreibungen messen lassen. Sie liefert zugleich ein Werkzeug, um diese Qualität über die Zeit zu beobachten und zu sehen, ob die Offenlegungspraxis besser oder schlechter wird.
Reproduzierbarkeit und Open Source
Eine Stärke der Studie ist ihre Reproduzierbarkeit. Die Modelle stehen auf Hugging Face bereit, der Code für den Ollama-Decision-Endpunkt ist quelloffen, und der CVE-Datensatz ist öffentlich zugänglich. Diese Transparenz erlaubt anderen Forschern, die Studie zu wiederholen, die Ergebnisse zu prüfen und die Analyse auf andere Zeiträume oder Modellfamilien auszudehnen. Die offenen Gewichte sorgen zudem dafür, dass die Methodik nicht an die proprietäre Schnittstelle eines einzelnen Anbieters gebunden ist.
Der Fokus auf lokale Inferenz passt zur aktuellen Lage bei Datenschutz und Sicherheit. Viele Organisationen zögern, sensible Daten an Cloud-KI-Dienste zu geben, aus Sorge vor Abflüssen oder Anbieterbindung. Wer die Modelle lokal betreibt, muss sich darum keine Sorgen machen. Schwachstelleneinträge lassen sich so sicher und ohne fremde Server prüfen. Für regulierte Branchen wie Finanzen oder Gesundheitswesen, in denen Datenschutz an erster Stelle steht, ist das ein klarer Vorteil.
Die Befunde reichen über die KI-gestützte Sicherheit hinaus. Je leistungsfähiger Sprachmodelle werden, desto größer wird ihre Rolle im Sicherheitsbetrieb. Dass lokale Modelle Klassifikationsaufgaben wie diese übernehmen können, zeigt das Potenzial. Zugleich wird deutlich, wie nötig sorgfältige Kontrolle ist, wie der zweistufige Aufbau dieser Studie vorführt.
Weitere Richtungen
Die Studie eröffnet mehrere Wege für weitere Forschung. Einer führt zur Ausweitung auf andere Sicherheitsdaten wie Vorfallberichte oder Threat-Intelligence-Feeds. Derselbe Klassifikationsansatz ließe sich nutzen, um Qualität und Klarheit solcher Dokumente zu bewerten und Reaktionen einheitlich zu priorisieren. Ein anderer Weg ist die Frage, ob andere Modellarchitekturen oder Feinabstimmungen die Genauigkeit der Klassifikation erhöhen.
Die Studie wirft auch Fragen zur Rolle der KI im CVE-Programm selbst auf. Der Autor betont, die Befunde seien keine offizielle Position, doch sie könnten künftige Richtlinien zur Qualität von CVE-Beschreibungen beeinflussen. KI-Prüfungen dieser Texte könnten zum festen Teil des CVE-Prozesses werden und sicherstellen, dass jeder Eintrag eine Mindestklarheit und eine Aussage zur Auswirkung enthält. Verteidiger hätten dann verlässlichere Daten für ihre Entscheidungen.
Die Studie zeigt, was lokale Sprachmodelle in der Sicherheitsanalyse leisten können. Mit einer zweistufigen Prüfung auf Modellen mit offenen Gewichten liefert der Autor eine belastbare und wiederholbare Methode, um die Qualität von CVE-Beschreibungen zu bewerten. Die Befunde machen eine erhebliche Lücke in der heutigen Offenlegungspraxis sichtbar und bieten ein Werkzeug, um sie zu schließen. Mit 9.000.000.000 Parametern im kleinen Modell bleibt der Ansatz auch auf gewöhnlicher Hardware lauffähig, und wie sich die Rolle der KI im Sicherheitsbetrieb entwickelt, lässt sich mit solchen Studien weiter verfolgen.
Quellen
10- 01Local models on 27,489 CVEs: 4.2% omit security impact (ex-kernel)EN
- 02Google's new Gemini tiers cut free users to its weakest modelEN
- 03Gemini app limiting what models free and AI Plus users can accessEN
- 04OpenAI's latest features take direct aim at the app store modelEN
- 05Anthropic asks Claude users to share voice data for AI model trainingEN
- 06Ideogram 4.5: The most precise edit modelEN
- 07What happens when an AI model is put in a "pain" state?EN
- 08Benchmarking CV and depth-estimation algorithmsEN
- 09Language Model "Shape" – Alex L. ZhangEN
- 10No Model Required: Text Entropy Rate Filtering Mitigates Iterative Fine-TuningEN
Alle Zahlen und Zitate in diesem Text stammen aus den unten genannten Quellen.
Die Materialien wurden vom Redaktionsteam mit Unterstützung von KI erstellt.
Kommentare
0- Noch keine Kommentare — seien Sie der Erste.