Depthfirst lanza dfs-large1 entrenado con aprendizaje por refuerzo (RL) para la detección de vulnerabilidades empresariales

Why it matters

Depthfirst is spending venture-scale capital to own the security model beneath its product. Its internal benchmark suggests progress, but reproducible testing will determine whether the advantage holds.

Andrea Michi (@andreamichi), cofundador y CTO de Depthfirst, lanzó dfs-large1 el 30 de julio, poniendo un modelo entrenado con aprendizaje por refuerzo en vista previa para clientes que buscan vulnerabilidades en grandes repositorios de código empresarial.

El desarrollador de seguridad de IA en San Francisco construyó dfs-large1 sobre GLM 5.2, y luego lo entrenó adicionalmente dentro del entorno de agentes de seguridad de Depthfirst con apoyo de Fireworks AI para entrenamiento e inferencia. Depthfirst dice que el nuevo modelo es su versión más capaz y superó a un grupo de modelos de propósito general en depthfirst-bench, una evaluación interna basada en vulnerabilidades en grandes repositorios. (depthfirst.com)

Esa afirmación sobre el rendimiento tiene una limitación clara: Depthfirst no ha publicado suficiente información para que terceros puedan reproducir el benchmark. Su informe dice que una publicación futura explicará la construcción y metodología del benchmark con mayor detalle. La compañía afirma que revisó manualmente cada trayectoria que pasó y bloqueó el acceso a internet de los agentes del benchmark y futuros commits que contuvieran correcciones de vulnerabilidades.

Michi dirigió previamente ingeniería de investigación en Google DeepMind, donde trabajó en aprendizaje por refuerzo para Gemini y fue coautor del AlphaDev project, que usó aprendizaje por refuerzo para descubrir algoritmos de ordenamiento más rápidos. Los otros cofundadores de Depthfirst aportan experiencia en infraestructura y seguridad: Qasim Mithani creó productos para desarrolladores y de seguridad en AWS antes de liderar trabajo de infraestructura y plataforma empresarial en Databricks, mientras que Daniele Perito cofundó Faire después de trabajar en seguridad y prevención de fraude en Cash App. (depthfirst.com)

Esa combinación explica la apuesta técnica central de Depthfirst. Los modelos de propósito general pueden inspeccionar código, pero Depthfirst está entrenando modelos alrededor del trabajo más específico de encontrar una vulnerabilidad potencial, trazar si datos controlados por un atacante pueden alcanzarla y producir evidencia ejecutable de que el fallo es real.

Entrenamiento de agentes para demostrar un fallo

El arnés de producción de Depthfirst divide un repositorio grande en alcances de auditoría más pequeños y asigna a cada agente un conjunto definido de archivos y un modelo de amenaza. El agente aún puede inspeccionar bibliotecas compartidas, dependencias y repositorios relacionados cuando necesita un contexto más amplio para establecer alcanzabilidad o explotabilidad.

dfs-large1 fue entrenado conjuntamente en detección de vulnerabilidades en código de aplicaciones, detección de vulnerabilidades en código de sistemas de bajo nivel y validación de hallazgos candidatos. Depthfirst también penalizó al modelo por uso excesivo de herramientas e informes especulativos, un intento por frenar dos modos de fallo costosos en análisis de seguridad automatizado: agentes que investigan indefinidamente y escáneres que inundan a los ingenieros con falsos positivos que parecen plausibles.

Según Depthfirst, los puntos de control de entrenamiento posteriores pusieron a prueba cada vez más hipótesis específicas y usaron arneses ejecutables en lugar de buscar repositorios de forma amplia. La compañía presentó ejemplos en los que dfs-large1 reprodujo fallos de seguridad de memoria bajo AddressSanitizer después de trazar defectos a través de múltiples fragmentos de código.

Los resultados reportados del modelo deben leerse todavía como pruebas dirigidas por el proveedor. depthfirst-bench sitúa a dfs-large1 en aproximadamente 68% mientras compara la puntuación con el precio estimado por tarea, por delante de los otros sistemas evaluados a un costo similar. Depthfirst omitió dos modelos enfocados en ciberseguridad, Mythos y GPT-5.6 Cyber, porque no tuvo acceso a ellos durante la evaluación. (depthfirst.com)

Depthfirst dice que un punto de control de modelo anterior también respaldó una campaña de investigación que validó 105 vulnerabilidades en 34 proyectos Ruby, con aproximadamente 61% involucrando problemas de seguridad de memoria. El nuevo lanzamiento está destinado al flujo de trabajo comercial más amplio de la compañía, donde los clientes conectan repositorios a la Depthfirst platform para descubrimiento de vulnerabilidades, validación y propuestas de corrección. (depthfirst.com)

Una apuesta fuertemente financiada en un modelo especializado

Depthfirst ha recaudado 120 millones de dólares desde su fundación en octubre de 2024. Accel lideró una Serie A de 40 millones anunciada en enero, con participación de SV Angel, Mantis VC y Alt Capital. Meritech Capital lideró una Serie B de 80 millones anunciada el 31 de marzo, acompañada por Forerunner Ventures, The House Fund y los inversores existentes incluyendo Accel, BoxGroup, Liquid 2 Ventures, Alt Capital y Mantis VC. (techcrunch.com)

La Serie B llegó junto con dfs-mini1, un modelo específico de dominio anterior inicialmente enfocado en vulnerabilidades de contratos inteligentes. Cuatro meses después, dfs-large1 amplía el enfoque al código de aplicaciones y sistemas en repositorios empresariales. Esa progresión sitúa el entrenamiento del modelo, en lugar de un modelo general envuelto en flujos de trabajo de seguridad, en el centro de la estrategia de producto de Depthfirst.

Depthfirst nombra a AngelList, Lovable, Persona y Moveworks entre sus clientes. Accel dijo en enero que los agentes de la compañía encontraron ocho veces más vulnerabilidades verdaderas-positivas que las herramientas tradicionales de análisis estático, mientras reducían los falsos positivos en 85%, cifras suministradas en torno a la inversión y que no fueron auditadas de forma independiente. dfs-large1 da a Depthfirst una nueva base técnica para esas afirmaciones comerciales, pero la adopción dependerá del rendimiento dentro de los repositorios de los clientes, donde los falsos positivos, el costo de auditoría y el tiempo hasta un exploit reproducible determinan si un hallazgo llega a un ingeniero. (accel.com)