Feyospace-v1：七人团队如何训练前沿网络安全模型

训练有能力的网络智能体通常主要被视为模型规模问题，但开放权重后训练更直接地受到可执行环境的成本、可靠的多轮监督和强大教师的限制。我们提出了一个以数据为中心的框架，通过五个互补系统解决这些瓶颈：Choulea 分析隐藏的推理签名，SkyReal 降低教师采样成本，Hongzwang 绕过 API 对教师执行的限制，PSBreakup 恢复因模型合并而削弱的能力，Kreator 将专家干预转化为可训练的推理。我们的数据引擎构建可重置的编码、漏洞、CTF、内核历史记录、完全利用、固件和设备支持的环境。仅在执行验证和证据审核后才保留候选轨迹，产生 164,269 个轨迹用于长上下文监督微调。三个检查点在完整的 CyberGym 套件上比起始模型平均提高了 23.76%，在汇集的 CTF 套件上平均提高了 10.49%。截至2026年9月1日，Feyospace-s1的验证成功率为63.24%，在CyberGym官方排行榜上排名第10，而所有三个检查点在可比参数规模的模型中均排名第一。据我们所知，这是首次端到端演示，证明七人独立团队可以训练具有领先智能体网络能力的开放权重模型。