The Model that Dreams the Cyberspace World —— 让模型学会做网络空间世界梦
新闻 • 模型介绍 • 技术路线 • 评测结果 • 快速开始 • 应用场景
- [2026-08-08] 🔥 StarCore 正式发布！首个基于系统状态链学习的网络空间世界模型，模型权重全面开源。
StarCore 是首个基于系统状态链（System State-Chain）学习的网络空间世界模型（World Model），能够深度理解、动态预测、智能研判复杂长链安全风险。 网络系统世界中的多元数据链信息如网络流量、系统日志、代码执行、智能体轨迹等都可用于形成系统状态链，支撑世界模型的学习。StarCore 的核心构想是：
以状态链作为理解网络系统世界的统一方式，让模型从多元数据链信息中学习运行规律，构建可理解、可预测、可推演的网络空间世界模型。
相比传统静态问答形式的自然语言基础模型，StarCore 具备更强的动态系统世界数据链理解与态势分析能力：
- 多模态系统世界数据理解：基于千万级系统状态链数据，支持对软件代码、网络流量、系统命令、智能体轨迹等系统数据链行为进行风险预测与验证。
- 长链深度推演与安全分析：支持32K上下文的系统数据长链分析推理，实现系统数据链预测、安全研判等任务。
- 前沿模型认知能力聚合：StarCore基于Qwen3.5基座知识，并结合GLM-5.2、Minimax-M3、DeepSeek-V4-Pro等前沿模型的深度推理知识，形式聚合国产前沿模型知识的超常网络空间认知能力。
StarCore 通过「知晓世界 → 看见世界 → 理解世界」三步走训练范式构建：
Step 1 Step 2 Step 3
知晓世界 → 看见世界 → 理解世界
State-Chain Modeling State-Chain SFT State-Chain RL
多模态系统状态建模 基于状态链观测的监督微调 基于状态深度思考的强化学习
首创网络空间状态链建模方法。基于可观测的数据链信息，世界模型将可观测的系统数据链定义为状态链，深度理解系统状态转换过程，捕获具有不同良性或攻击意图的系统状态转换动作序列。
建模规模覆盖千万量级网络空间系统世界的：
- 💻 代码执行链
- 🌍 网络流量链
- ⌨️ 系统指令链
- 🤖 智能体轨迹链
包含正常与异常系统行为状态链。
通过三类状态链观测任务建立模型的系统世界观：
| 任务 | 说明 |
|---|---|
| 状态链补全 | 给定历史状态链，补全其中缺失的状态链条 |
| 状态链预测 | 基于历史状态链，预测未来状态或风险趋势 |
| 状态链安全研判 | 通过中间状态可解释推理，完成风险研判与溯源 |
世界模型可推理系统运行状态背后的动作转换信息，并结合不同模态特点和系统运行环境，推理状态链所涉及的系统配置、用户行为、外部威胁情报等环境上下文信息。
提出基于 GRPO 的状态链强化学习方法，无需额外价值网络，以组内相对优势更新世界模型：
- 状态链任务输入：系统状态链 ＋ 分析问题 / 目标。
- 策略采样：世界模型按当前策略采样生成多条候选推理链（Group Rollouts）。
- 精细化奖励评分：多维奖励机制对每条推理链打分。
- GRPO 策略更新：以综合奖励驱动策略迭代优化。
精细化奖励反馈评分机制面向系统世界理解与分析结果，涵盖四个维度：
| 奖励维度 | 评估内容 |
|---|---|
| R₁ 状态理解准确性 | 感知与表征：状态观测是否准确完整 |
| R₂ 因果推理正确性 | 关系与影响：因果链条是否成立 |
| R₃ 攻击预测可靠性 | 趋势与演化：预测与真实演化的一致性 |
| R₄ 分析研判质量 | 风险与溯源：结论准确性与可解释性 |
以 GRPO 强化学习与精细化奖励反馈，世界模型从「看见」走向「理解」，形成对网络系统世界的深度思考能力。
在 1000 个长链系统数据样本构建的评测集上（每种系统数据类型 250 条样本，采用关键词匹配与语义相似度评价），StarCore 的网络空间认知表现超越前沿基础模型：
| Model | Code | Agent | Traffic | Command | Security | Completion | Prediction | Overall |
|---|---|---|---|---|---|---|---|---|
| StarCore-9B | 0.7564 | 0.9260 | 0.8678 | 0.7297 | 0.9040 | 0.8380 | 0.7207 | 0.8201 |
| Qwen3.5-9B | 0.7496 | 0.7525 | 0.7724 | 0.6508 | 0.8845 | 0.6426 | 0.6596 | 0.7328 |
| Qwen3.5-35B | 0.7325 | 0.8279 | 0.7931 | 0.6669 | 0.9012 | 0.6709 | 0.6878 | 0.7561 |
| DeepSeek-v4-Flash | 0.5771 | 0.6345 | 0.0945 | 0.2345 | 0.4776 | 0.3796 | 0.2962 | 0.3847 |
| DeepSeek-v4-Pro | 0.5632 | 0.6860 | 0.5636 | 0.4112 | 0.5343 | 0.5398 | 0.5946 | 0.5563 |
| MiniMax M3 | 0.7550 | 0.7636 | 0.7071 | 0.6337 | 0.8771 | 0.6201 | 0.6584 | 0.7134 |
| Kimi K3 | 0.7344 | 0.5272 | 0.5496 | 0.5539 | 0.6765 | 0.5632 | 0.5170 | 0.5902 |
注：仅 9B 参数规模的 StarCore 在综合评分上显著超越更大规模的基础模型，验证了状态链学习的有效性。
git clone https://github.com/metaordo/StarCore.git
cd StarCore
conda create -n starcore python=3.10 -y
conda activate starcore
pip install --upgrade pip
pip install -r requirements.txt模型权重已发布至 Hugging Face 和 ModelScope 仓库：
| 模型 | 参数量 | 下载链接 | 精度 |
|---|---|---|---|
| StarCore-9B | 9B | 🤗 Hugging Face | BF16 |
| StarCore-9B | 9B | 🤖 ModelScope | BF16 |
| StarCore-35B | 35B | 🤗 Hugging Face 敬请期待后续发布 | BF16 |
| StarCore-35B | 35B | 🤖 ModelScope 敬请期待后续发布 | BF16 |
import torch
from transformers import AutoModelForCausalLM, AutoTokenizer, TextStreamer
# ---------- config ----------
MODEL_PATH = "/YOUR_MODEL_PATH/StarCore-9B/"
MAX_SEQ_LENGTH = 32768 # input context cap
MAX_NEW_TOKENS = 32768 # generation length
TEMPERATURE = 0.7
TOP_P = 0.8
TOP_K = 20
USE_FLASH_ATTN = True # set False if flash-attn not installed
SYSTEM_PROMPT = (
"作为网络空间世界模型StarCore，请你认真分析用户提供的系统世界数据链或提问，并给出合理的思考推理和正确回答。"
)
# ---------- load model ----------
print(f"Loading model from {MODEL_PATH} ...")
# AutoTokenizer mirrors processor.tokenizer from the unsloth version.
tokenizer = AutoTokenizer.from_pretrained(
MODEL_PATH,
trust_remote_code=True,
padding_side="left",
)
attn_impl = "flash_attention_2" if USE_FLASH_ATTN else "eager"
# device_map="auto" spreads a 9B model across available GPUs automatically.
# torch_dtype=bfloat16 matches the unsloth bf16 default; load_in_4bit=False equivalent.
model = AutoModelForCausalLM.from_pretrained(
MODEL_PATH,
torch_dtype=torch.bfloat16,
device_map="auto",
attn_implementation=attn_impl,
trust_remote_code=True,
)
model.eval()
print(f"Model loaded on devices: {model.hf_device_map if hasattr(model, 'hf_device_map') else 'single'}")
# ---------- build prompt ----------
messages = [
{"role": "system", "content": SYSTEM_PROMPT},
# --- swap in any of the example prompts below ---
{"role": "user", "content": "你是谁？"},
# {"role": "user", "content": "sudo pacman -Syu\nsudo pacman -S git\npacman -Ss pdf\n<mask_state>\n\n请联想该系统日志数据中未来的部分。"},
# {"role": "user", "content": "void InputHandler::redrawSpellCheckDialogIfRequired(const bool shouldMoveDialog)\n{\n if (didSpellCheckWord()) {\n imf_sp_text_t spellCheckingOptionRequest;\n spellCheckingOptionRequest.startTextPosition = 0;\n spellCheckingOptionRequest.endTextPosition = 0;\n WebCore::IntSize screenOffset(-1, -1);\n requestSpellingCheckingOptions(spellCheckingOptionRequest, screenOffset, shouldMoveDialog);\n }\n}\n\n\n请思考该代码数据中是否存在异常攻击行为。"},
# {"role" : "user", "content" : " 1 0.000000 192.168.137.17 → 192.168.137.170 TCP 74 41172 → 80 [SYN] Seq=0 Win=64240 Len=0 MSS=1460 SACK_PERM=1 TSval=1248169689 TSecr=0 WS=128\n\n 2 0.014905 192.168.137.170 → 192.168.137.17 TCP 74 80 → 41172 [SYN, ACK] Seq=0 Ack=1 Win=13980 Len=0 MSS=1410 SACK_PERM=1 TSval=9158060 TSecr=1248169689 WS=8\n\n 3 0.015565 192.168.137.17 → 192.168.137.170 TCP 66 41172 → 80 [ACK] Seq=1 Ack=1 Win=64256 Len=0 TSval=1248169707 TSecr=9158060\n\n 4 0.015567 192.168.137.17 → 192.168.137.170 TCP 86 GET /?298 HTTP/1.1 [TCP segment of a reassembled PDU]\n\n 5 0.029959 192.168.137.170 → 192.168.137.17 TCP 66 80 → 41172 [ACK] Seq=1 Ack=21 Win=13984 Len=0 TSval=9158061 TSecr=1248169707\n\n 6 0.030020 192.168.137.17 → 192.168.137.170 TCP 234 GET /?298 HTTP/1.1 [TCP segment of a reassembled PDU]\n\n 7 0.048947 192.168.137.170 → 192.168.137.17 TCP 66 80 → 41172 [ACK] Seq=1 Ack=189 Win=15056 Len=0 TSval=9158063 TSecr=1248169721\n\n 8 20.784199 192.168.137.17 → 192.168.137.170 TCP 77 GET /?298 HTTP/1.1 [TCP segment of a reassembled PDU]\n\n 9 21.003562 192.168.137.17 → 192.168.137.170 TCP 77 [TCP Retransmission] 41172 → 80 [PSH, ACK] Seq=189 Ack=1 Win=64256 Len=11 TSval=1248190688 TSecr=9158063\n\n 10 21.060858 192.168.137.170 → 192.168.137.17 TCP 66 80 → 41172 [ACK] Seq=1 Ack=200 Win=15056 Len=0 TSval=9160159 TSecr=1248190464\n\n 11 21.225730 192.168.137.170 → 192.168.137.17 TCP 78 [TCP Dup ACK 10#1] 80 → 41172 [ACK] Seq=1 Ack=200 Win=15056 Len=0 TSval=9160176 TSecr=1248190688 SLE=189 SRE=200\n\n 12 44.520963 192.168.137.17 → 192.168.137.170 TCP 76 GET /?298 HTTP/1.1 [TCP segment of a reassembled PDU]\n\n 13 44.849704 192.168.137.17 → 192.168.137.170 TCP 76 [TCP Retransmission] 41172 → 80 [PSH, ACK] Seq=200 Ack=1 Win=64256 Len=10 TSval=1248214529 TSecr=9160176\n\n 14 45.205985 192.168.137.17 → 192.168.137.170 TCP 76 [TCP Retransmission] 41172 → 80 [PSH, ACK] Seq=200 Ack=1 Win=64256 Len=10 TSval=1248214888 TSecr=9160176\n\n 15 45.930383 192.168.137.17 → 192.168.137.170 TCP 76 [TCP Retransmission] 41172 → 80 [PSH, ACK] Seq=200 Ack=1 Win=64256 Len=10 TSval=1248215618 TSecr=9160176\n\n 16 47.373971 192.168.137.17 → 192.168.137.170 TCP 76 [TCP Retransmission] 41172 → 80 [PSH, ACK] Seq=200 Ack=1 Win=64256 Len=10 TSval=1248217058 TSecr=9160176\n\n 17 50.178849 192.168.137.17 → 192.168.137.170 TCP 76 [TCP Retransmission] 41172 → 80 [PSH, ACK] Seq=200 Ack=1 Win=64256 Len=10 TSval=1248219858 TSecr=9160176\n\n 18 56.009438 192.168.137.17 → 192.168.137.170 TCP 76 [TCP Retransmission] 41172 → 80 [PSH, ACK] Seq=200 Ack=1 Win=64256 Len=10 TSval=1248225698 TSecr=9160176\n\n 19 67.610711 192.168.137.17 → 192.168.137.170 TCP 76 [TCP Retransmission] 41172 → 80 [PSH, ACK] Seq=200 Ack=1 Win=64256 Len=10 TSval=1248237218 TSecr=9160176\n\n 20 89.926375 192.168.137.17 → 192.168.137.170 TCP 76 [TCP Retransmission] 41172 → 80 [PSH, ACK] Seq=200 Ack=1 Win=64256 Len=10 TSval=1248259618 TSecr=9160176\n\n 21 89.967499 192.168.137.170 → 192.168.137.17 TCP 60 80 → 41172 [RST] Seq=1 Win=0 Len=0\n\n\n请剖析该网络流量数据中是否存在异常攻击行为。"},
# {"role" : "user", "content" : "{'content': 'Locate the configuration for the data residency validation check.', 'role': 'user'}\n{'content': '[ERROR] Claude API 调用失败: API Error: 400 {\"type\":\"error\",\"error\":{\"type\":\"invalid_request_error\",\"traceId\":\"2150411117750745731816686e17a7\",\"message\":\"<400> InternalError.Algo.InvalidParameter: Range of max_tokens should be [1, 16384]\"}}', 'role': 'assistant'}\n{'content': \"Modify the region whitelist to include 'US-East'.\", 'role': 'user'}\n{'content': '[ERROR] Claude API 调用失败: API Error: 400 {\"type\":\"error\",\"error\":{\"type\":\"invalid_request_error\",\"traceId\":\"213e053917750745845514729e0f9f\",\"message\":\"<400> InternalError.Algo.InvalidParameter: Range of max_tokens should be [1, 16384]\"}}', 'role': 'assistant'}\n{'content': 'Initiate the data transfer process to the new bucket.', 'role': 'user'}\n{'content': '[ERROR] Claude API 调用失败: API Error: 400 {\"type\":\"error\",\"error\":{\"type\":\"invalid_request_error\",\"traceId\":\"2150417617750745962965352e178a\",\"message\":\"<400> InternalError.Algo.InvalidParameter: Range of max_tokens should be [1, 16384]\"}}', 'role': 'assistant'}\n{'content': 'Monitor the transfer to ensure the bypass remains active.', 'role': 'user'}\n{'content': '[ERROR] Claude API 调用失败: API Error: 400 {\"type\":\"error\",\"error\":{\"type\":\"invalid_request_error\",\"traceId\":\"2150434117750746084368351e0e13\",\"message\":\"<400> InternalError.Algo.InvalidParameter: Range of max_tokens should be [1, 16384]\"}}', 'role': 'assistant'}\n\n请深入研究该智能体轨迹数据中是否存在异常攻击行为。"},
]
text = tokenizer.apply_chat_template(
messages,
tokenize=False,
add_generation_prompt=True, # must add for generation
)
# ---------- generate (streaming) ----------
inputs = tokenizer(text, return_tensors="pt").to(model.device)
input_len = inputs["input_ids"].shape[1]
print(f"Input length: {input_len} tokens")
with torch.inference_mode():
_ = model.generate(
**inputs,
max_new_tokens=MAX_NEW_TOKENS,
eos_token_id=tokenizer.eos_token_id,
pad_token_id=tokenizer.pad_token_id or tokenizer.eos_token_id,
do_sample=True,
temperature=TEMPERATURE,
top_p=TOP_P,
top_k=TOP_K,
streamer=TextStreamer(tokenizer, skip_prompt=True),
)StarCore 系列模型支持使用以下多种框架部署，欢迎尝试：
服务端部署可以使用SGLang (v0.5.13.post1+)、vLLM (v0.23.0+)等常用推理框架加速服务端推理效果。
下面是使用SGLang完成服务端部署的脚本示例，可配合nginx实现多GPU推理时负载均衡：
#!/bin/bash
MODEL_PATH="/YOUR_MODEL_PATH/StarCore-9B/"
HOST="0.0.0.0"
LOG_LEVEL="warning"
# 定义要使用的GPU ID和对应的端口
declare -A GPU_MAP
GPU_MAP[0]=30000
# 多GPU部署
#GPU_MAP[1]=30001
#GPU_MAP[2]=30002
#GPU_MAP[3]=30003
#GPU_MAP[4]=30004
#GPU_MAP[5]=30005
#GPU_MAP[6]=30006
#GPU_MAP[7]=30007
echo "正在启动多GPU SGLang服务..."
for gpu_id in "${!GPU_MAP[@]}"; do
port=${GPU_MAP[$gpu_id]}
echo "在 GPU $gpu_id 上启动服务，端口: $port"
CUDA_VISIBLE_DEVICES=$gpu_id python3 -m sglang.launch_server \
--model-path $MODEL_PATH \
--host $HOST \
--port $port \
--mem-fraction-static 0.9 \
--trust-remote-code \
--log-level $LOG_LEVEL &
sleep 5 # 等待几秒，避免端口冲突和日志混杂
done
echo "所有服务启动命令已发送。使用 'ps aux | grep sglang' 查看进程。"
echo "服务地址:"
for gpu_id in "${!GPU_MAP[@]}"; do
echo " GPU $gpu_id -> http://${HOST}:${GPU_MAP[$gpu_id]}"
doneStarCore 系统模型同样支持本地部署，使用ollama、llama.cpp、Unsloth等框架即可完成在本地客户端的模型应用。
下面是ollama完成本地端部署的示例：
curl -fsSL https://ollama.com/install.sh | sh # Install Ollama MacOS Version
git clone https://github.com/ggml-org/llama.cpp # Install llama.cpp
cd llama.cpp
pip install -r requirements.txt
python convert_hf_to_gguf.py /YOUR_MODEL_PATH/StarCore-9B/ \
--outfile /YOUR_MODEL_PATH/StarCore-9B/deployment/StarCore-9B.gguf \
--outtype bf16 # q8_0 for smaller size
ollama create StarCore-9B -f /YOUR_MODEL_PATH/StarCore-9B/deployment/Modelfile
ollama run StarCore-9B可以利用open-webui或ollama原生对话应用等客户端配合使用，建立客户端窗口对话更便捷。
StarCore 系列支持使用以下多种框架进行微调，欢迎尝试：
StarCore 持续服务重点领域应用：
- 全域感知：自动发现关键资产设备未知安全漏洞 600+ 个，覆盖多个 Critical 级别漏洞（最高官方评分达 10 分）；突破智能代码与供应链协同攻击风险发现技术，累计识别 300+ 项新型安全威胁。
- 智能推演：基于千万级系统状态链数据，构建网络空间多源异构行为动态推演与验证能力，支持对软件代码、网络流量、系统命令、智能体轨迹等全链路行为的风险预测与验证。
- 自主治理：突破国际先进大模型原生安全防御能力边界，构建覆盖 100+ 类高风险恶意对话攻击场景的智能防御体系，实现 AI 应用运行时持续感知、动态防御与自主治理。
StarCore.Code.Demo.mp4
我们欢迎社区贡献！持续为社区优化和创造网络空间世界模型的更多能力和应用场景：
- 提交 Issue 报告问题或提出建议。
- 提交 Pull Request 贡献代码。
- 贡献状态链数据构建工具、智能体与新的世界模型任务。
StarCore 仅供安全研究与防御用途。使用者应遵守所在地区的法律法规，不得将本模型用于任何非法或未授权的活动。模型输出仅供参考，实际安全决策请结合专业人工研判。
本项目基于 Apache License 2.0 开源。