CASE STUDIES

这些问题,我们和客户一起解决过。

下面是我们做过的 13 个 PoC,有代码安全,也有性能和算力优化。看看有没有和你情况相近的。

01 / 4 个案例

代码安全

我们交付过漏洞检测引擎、源码审计工具、分析二进制的 Agent,以及用客户自己的数据训练的检测模型。可以接在研发流程里,也可以装在你自己的环境中。 相关产品:编码智能体 · 代码审查与安全

01 / 研发流程中的自动漏洞扫描

某运营商云平台

把漏洞扫描嵌进研发流程。

合作方式
PoC
进展
已完成
运行环境
客户现有的研发流程(提交、合并、发布)
用到的技术
静态分析 · 符号执行 · 深度学习 · 依赖库 CVE
客户遇到的问题
想在代码提交和合并时就自动查出漏洞,包括依赖库里的高危 CVE,又不想另外再搭一套系统。
我们交付了什么
一套漏洞检测引擎,挂在提交和合并环节上,结合静态分析、符号执行和深度学习。

效果

  • 约 50%误报率(FPR)下降

误报少了一半左右,安全团队不用再逐条翻告警,可以把时间留给真正的漏洞。

看具体怎么做的

我们的做法

  1. 01接入流程:企业代码 → 提交 / 合并 → 自动漏洞扫描 → 代码发布
  2. 02检测引擎:静态分析 + 符号执行 + 深度学习
  3. 03识别依赖库中的高危、中危 CVE,并支持修复

遇到这些情况,也可以找我们

  • 流水线里早就有扫描工具,但误报太多,已经没人看了
  • 依赖的第三方库很多,想知道哪些高危 CVE 真会影响到自己
  • 不想换掉现有的 CI,只想把漏洞检查加进去
预约同类 PoC

02 / Java 应用安全审计

某头部内容社区

自动找出 Java 代码中的高危漏洞。

合作方式
PoC
进展
已完成
用到的技术
Java · 数据流追踪 · 大模型补全调用链
客户遇到的问题
要审计 Java 服务的源码,找出能让攻击者执行代码的注入漏洞。
我们交付了什么
一个 Java 源码审计工具。它追踪数据流,用大模型补全调用链,再检查输入能不能触发命令执行。

效果

  • 77.9%漏洞检出率
  • 24 个新发现的远程代码执行漏洞
  • 130 个应用因此做了上线前安全评估

新发现的 24 个漏洞都是远程代码执行漏洞,是最危险的一类,攻击者能借它在服务器上运行任意代码。

看具体怎么做的

客户需求

  • 审计 Java 服务源码,找出能触发代码执行的输入

我们的做法

  1. 01追踪数据流
  2. 02用大模型补全调用链
  3. 03检查输入能否触发命令执行

交付

  • Java 源码审计工具
  • 完成 Java 漏洞检测评测

遇到这些情况,也可以找我们

  • 后端主要用 Java,上线前要过安全审计
  • 担心表达式注入、反序列化这类能直接执行代码的漏洞
  • 应用很多,安全人员很少,人工审计做不过来
预约同类 PoC

03 / 无符号二进制漏洞与后门定位

某头部互联网公司

自动分析二进制,定位漏洞和后门。

合作方式
PoC
进展
已完成
用到的技术
无符号二进制 · 逆向工具 · Agent
客户遇到的问题
要审的是二进制文件,没有源码,连函数名都没有。人工逆向太慢,可他们需要尽快找到漏洞和后门,还要拿出证据。
我们交付了什么
BinReX,一个分析二进制的 Agent。它会自己调用逆向工具,出错了自己改,最后把证据交给工程师复核。

效果

  • 总分析时间87.9 小时(接入 IDA 的 OpenAI Codex)36.1 小时(BinReX)
  • 任务成功率43.1%(接入 IDA 的 OpenAI Codex)83.3%(BinReX)
  • 83.3%任务成功率
  • −58.9%总分析时间

分析时间少了一半多,成功率差不多是对照的两倍,而且每个结论都带着证据。

72 项任务,覆盖 7 类场景。

看具体怎么做的

客户需求

  • 没有源码、没有函数名,人工逆向耗时长
  • 需要快速定位漏洞和后门,并给出证据

我们的做法

  1. 01用相似函数检索辅助定位
  2. 02由 Agent 拆解任务
  3. 03自动调用逆向工具,出错时自行纠正
  4. 04输出证据,供工程师复核

交付

  • BinReX 自动分析工具

遇到这些情况,也可以找我们

  • 要审第三方 SDK、固件或闭源组件,但拿不到源码
  • 怀疑软件里藏了后门,需要拿出证据
  • 逆向分析只有少数几个专家会做,排期排得很长
预约同类 PoC

04 / 终端漏洞检测与应用代码加速

某终端操作系统厂商

用自有数据训练漏洞检测模型,并加速终端应用代码。

合作方式
PoC,与英国利兹大学共同开发模型
进展
已完成
运行环境
客户系统内,系统级部署、实时检测
用到的技术
闭源仓库 · 安全数据 · 漏洞检测模型
客户遇到的问题
手里有大量闭源代码和安全数据,想用它们训练一个自己的漏洞检测模型,部署到系统里;同时也想让终端应用跑得更快。
我们交付了什么
一个漏洞检测模型,和英国利兹大学一起开发,系统级部署,实时检测。

效果

  • ≥20 万条安全数据整理
  • >80%场景检测准确率
  • >20 个项目中检测出漏洞
  • 150%代码加速指标

模型是用客户自己的数据训练的,装在客户自己的系统里。除了查漏洞,应用代码的加速指标也到了 150%。

看具体怎么做的

我们的做法

  1. 01数据:整理闭源仓库中的安全数据
  2. 02模型:漏洞检测模型与算法,与英国利兹大学共同开发
  3. 03部署:系统级部署,实时检测

遇到这些情况,也可以找我们

  • 自己有大量代码和安全数据,想训练一个只给自己用的检测模型
  • 代码和数据都不能出公司
  • 既要查漏洞,也希望终端应用跑得更快
预约同类 PoC

02 / 7 个案例

性能与算力优化

我们交付过代码和编译优化、训练显存优化、大小核调度、集群调度。交付的可能是补丁、工具、调度方案,也可能是部署在你本地的模型。 相关产品:部署与优化 · 异构算力

05 / 13B 模型本地化代码优化

某 AI 代码优化公司

本地部署 13B 模型,优化企业代码。

合作方式
PoC
进展
已完成
运行环境
企业本地,运行在企业自己的硬件上
用到的技术
13B 大模型 · 子任务微调 · 统计评估
客户遇到的问题
想用大模型来优化公司的代码,但模型要部署在公司自己的机器上。
我们交付了什么
一个 13B 的代码优化模型,按具体任务做了微调,跑在客户自己的硬件上。

效果

  • 50%人工成本节省
  • 110–180%代码加速指标

优化代码的人工成本省了一半,代码加速指标在 110% 到 180% 之间,模型始终没离开客户的机器。

看具体怎么做的

我们的做法

  1. 01企业代码与优化任务
  2. 0213B 模型 + 子任务微调
  3. 03统计评估与多专家分析
  4. 04部署到企业自己的硬件上

遇到这些情况,也可以找我们

  • 想用大模型优化代码,但不能用外部的云端模型
  • 自己有算力,希望模型就跑在自己的硬件上
  • 代码优化全靠资深工程师手工做,成本很高
预约同类 PoC

06 / 十亿级大模型训练显存优化

某头部电商与云计算公司

单卡训练 395 亿参数的模型。

合作方式
联合研发
进展
已用于客户生产环境
运行环境
客户的生产训练环境
用到的技术
32GB V100 · 8 张 A10 · 对比 Megatron-LM、ZeRO-Offload / L2L
客户遇到的问题
想在显存有限的 GPU 上训练更大的模型。
我们交付了什么
一套训练显存优化方案,和客户一起研发,不用改训练代码,已经在客户的生产环境里用上了。

效果

  • 单卡(32GB V100)最大可训参数60 亿(主流卸载方案)395 亿
  • 395 亿单卡最大可训参数(32GB V100)
  • 6.5×可训规模,对比主流卸载方案的 60 亿
  • 1.2–3.7×训练吞吐提升
  • 821 亿8 张 A10 可训参数

同一张卡能训练的模型大了 6 倍多,训练代码一行都不用动。

看具体怎么做的

我们的做法

  1. 01与客户联合研发训练显存优化方案
  2. 02用户的训练代码零改动

遇到这些情况,也可以找我们

  • 显存不够,训练不了想要的模型规模
  • 不想为了省显存去改训练代码
  • 想用更少或更便宜的卡训练大模型
预约同类 PoC

07 / 大小核调度

某国际芯片设计公司

按负载自动选择大小核,能耗降低 63.5%。

合作方式
PoC
进展
已完成
运行环境
大小核(big.LITTLE)移动芯片,运行时
用到的技术
大小核调度 · 离线学习 · 编译优化
客户遇到的问题
大核负责性能,小核负责省电,可调度器经常把任务放错核,结果又慢又费电。
我们交付了什么
一套运行时选择大小核的方案。先离线学习各种负载的特点,再按速度或能耗的目标来调。

效果

  • 63.5%能耗降低
  • 45%加载时间缩短
  • 81%能耗延迟积改善

网页打开更快,耗电少了六成多。能耗延迟积把速度和耗电放在一起算,它改善了 81%,说明两头都没吃亏。

实测 500 个热门网页,对比 Linux 默认调度。

看具体怎么做的

我们的做法

  1. 01离线学习负载特征
  2. 02运行时自动选择大小核
  3. 03按速度或能耗目标调优

遇到这些情况,也可以找我们

  • 芯片有性能核和能效核,任务经常放错核
  • 做手机或嵌入式设备,既要性能也要续航
  • 系统默认的调度器不了解你的负载
预约同类 PoC

08 / 强化学习自动编译调优

某国际科技公司

强化学习自动调优,部署期搜索平均提速 1.75×。

合作方式
联合研究,发表于 CC 2022
进展
已完成
用到的技术
强化学习 · Halide · TVM · LLVM · STOKE
客户遇到的问题
想让图像处理、神经网络代码和编译出来的程序跑得更快、体积更小,同时调优搜索不要花太久。
我们交付了什么
一个用强化学习做自动调优的框架,是双方的联合研究,论文发表在 CC 2022。

效果

  • 1.75×部署期搜索平均提速
  • >11×Halide 图像流水线,部分基准对比默认调度器
  • 1.74×TVM 神经网络代码,对比默认调度
  • 1.57×LLVM 代码体积,对比 -Oz,90% 的基准最优

同一套方法用在三类代码上,都比默认方案好。

对比 8 个自动调优框架,搜索最高提速 100×。

遇到这些情况,也可以找我们

  • 编译器或深度学习框架的参数太多,手动调不过来
  • 既要跑得快,又要代码体积小
  • 自动调优搜得太慢,拖累上线节奏
预约同类 PoC

09 / GPU 热点算子优化进行中

某国产 GPU 厂商

在真实推理场景中,验证 Agent 自动优化国产 GPU 算子。

合作方式
联合 PoC
进展
进行中
运行环境
国产 GPU,1 个真实推理场景
用到的技术
国产 GPU · 热点算子 · 正确性测试 · Agent
客户遇到的问题
想看看 Agent 能不能在真实的推理场景里,自动把国产 GPU 上的热点算子优化好。效果按双方确认的基线来算。
我们交付了什么
可复现的代码补丁、一套自动验证流程和一份性能报告。

目标

  • 20%+热点算子平均加速
  • 10%+端到端吞吐提升
  • 30%+人工优化投入减少

目标是让 Agent 来做算子优化,结果能复现、能验证,工程师不用再花那么多时间手工调。

还在进行中,上面的数字是和客户约定的目标。

看具体怎么做的

我们的做法

  1. 01选场景:1 个真实推理场景
  2. 02定算子:3–5 类热点算子
  3. 03守正确:先通过正确性测试
  4. 04做优化:由 Agent 自动优化

交付

  • 可复现的代码补丁
  • 自动验证流程
  • 性能报告

遇到这些情况,也可以找我们

  • 模型迁到国产 GPU 上以后,推理性能不如预期
  • 算子优化只有少数懂硬件的工程师能做
  • 需要能复现的补丁和性能报告,而不只是一个结论
预约同类 PoC

10 / 异构架构编译优化进行中

某通信设备厂商研究所

挖掘 big.LITTLE 大小核架构的性能潜力。

合作方式
PoC
进展
进行中
运行环境
ARM 大小核(big.LITTLE)架构
用到的技术
LLVM · 主动学习 · 进化搜索 · 多版本代码生成
客户遇到的问题
同一套编译配置很难适配所有芯片,参数组合又多,靠人调成本很高。遇到性能问题,也分不清是硬件设计的原因还是编译策略的原因。
我们交付了什么
调优工具、编译策略预测模型,以及一个软硬件协同优化的原型,都基于 LLVM。

目标

  • +20%程序平均性能,对比默认配置
  • −50%人工调优成本
  • 2×调优效率

目标是让大部分调参交给自动搜索和预测来做,并且能分清瓶颈在硬件还是在编译器。

还在进行中,上面的数字是和客户约定的目标。

看具体怎么做的

客户需求

  • 一套配置,难以适配所有芯片
  • 参数组合庞大,人工调优成本高
  • 瓶颈难分:是硬件设计还是编译策略

我们的做法

  1. 01自动搜索优化配置:主动学习 + 进化搜索,少走弯路
  2. 02从代码预测编译策略:学习代码与配置的关系,直接推荐参数
  3. 03软硬件协同优化:建模硬件的影响,生成多版本代码

交付

  • 调优工具与编译策略预测模型
  • 软硬件协同优化原型

遇到这些情况,也可以找我们

  • 同一套编译配置要适配好几款芯片
  • 编译参数全靠人一遍遍试
  • 性能出了问题,分不清是硬件还是编译器
预约同类 PoC

11 / 集群动态调度进行中

某国产处理器厂商

让口令恢复集群在国产加速卡上不空转、不拖尾。

合作方式
PoC
进展
进行中
运行环境
国产加速卡集群
用到的技术
Hashcat · keyspace 切分 · 异构调度 · 故障接管
客户遇到的问题
授权的口令恢复任务(Hashcat)从一台机器扩展到国产加速卡集群后,原来的静态切分跟不上集群的变化,有的卡闲着,最后几块任务又拖得很久。
我们交付了什么
一套集群调度和容错方案,按实时算力动态切分任务,按节点状态分配,节点出故障就自动接管。

目标

  • ≥90%集群算力利用率
  • −30%尾部完成时间
  • < 1 分钟节点故障自动接管
  • ≈ 0重复计算与冲突

目标是每张卡都有活干,不再被最后几块任务拖住,节点坏了也不用人去管。

还在进行中,上面的数字是和客户约定的目标。

看具体怎么做的

客户需求

  • 静态测速和 keyspace 切分跟不上集群的变化
  • 耗时波动、节点异构、状态滞后、节点故障
  • 结果是设备空转、尾部拖延、任务归属冲突

我们的做法

  1. 01动态 keyspace 切分:用实时算力替代静态测速,按能力动态分块
  2. 02异构感知调度:按节点算力与状态分配任务,减少空转与拖尾
  3. 03故障容错与去重:故障自动接管,消除重复计算与归属冲突

遇到这些情况,也可以找我们

  • 单机任务要扩展到多卡、多机集群
  • 集群里的卡型号不同,快慢不一
  • 长任务常被一两个慢节点或坏节点拖住
预约同类 PoC

03 / 2 个案例

平台集成

我们交付过沿着平台现有的环节接入,不用替换原来的系统,代码和模型也留在你指定的环境里。 相关产品:编码智能体 · 对接代码库与工具

12 / 代码层安全与算力利用率

某云平台与数据中心厂商

把安全与算力优化接进三个平台。

合作方式
PoC
进展
已完成
运行环境
客户的 MLOps 开发平台、HPCaaS 智算平台和 AICC 智算中心
用到的技术
漏洞检测 · 编译优化 · 多后端适配 · 异构调度
客户遇到的问题
希望平台上的代码更安全,同时把算力用得更充分,成本降下来。
我们交付了什么
三项能力分别接进客户的 MLOps 开发平台、HPCaaS 智算平台和 AICC 智算中心。

效果

  • 80%+漏洞检测准确率(MLOps 开发平台)
  • −30%算力消耗,单任务能耗 −20%(HPCaaS 智算平台)
  • −20%算力成本,来自异构调度优化(AICC 智算中心)

平台上的代码更安全了,同样的任务用的算力和电都更少。

看具体怎么做的

我们的做法

  1. 01MLOps 开发平台:源代码与依赖库漏洞检测
  2. 02HPCaaS 智算平台:代码与编译性能优化
  3. 03AICC 智算中心:多后端适配与热点分析

遇到这些情况,也可以找我们

  • 在运营智算中心或 AI 平台,想给用户提供代码安全和性能优化
  • 平台上有好几种芯片后端,要统一适配
  • 算力成本高,想把利用率提上去
预约同类 PoC

13 / 研发全链路集成

某代码托管平台

把 AI 检查接进从写代码到发布的每一步。

合作方式
PoC
进展
已完成
运行环境
客户指定的环境,沿现有研发节点接入
用到的技术
IDE · 提交 / 合并 · CI · 审批 · 发布与回滚
客户遇到的问题
想把 AI 接进整个研发流程,但不能换掉现有的系统,代码和模型也要留在指定的环境里。
我们交付了什么
在 5 个研发环节接入:写代码时在 IDE 里扫描,提交时做漏洞和性能分析,CI 里出报告,审批时复核,发布时支持回滚。

效果

  • 5 个研发环节已接入,从编码到发布

从写代码到发布,每个环节都有检查,结论复核过才发布,代码和模型一直留在指定环境里。

看具体怎么做的

我们的做法

  1. 01代码开发:IDE 轻量扫描
  2. 02提交 / 合并:漏洞与性能分析
  3. 03持续集成:合规与适配报告
  4. 04验证 / 审批:结果校验与复核
  5. 05持续交付:版本发布与回滚

交付

  • 可控边界:企业代码与模型放在指定环境,身份权限、密钥与工具都要审批
  • 受控迭代:执行记录 → 评测集沉淀 → 优化建议 → 验证后发布

遇到这些情况,也可以找我们

  • 在运营代码托管或研发平台,想提供 AI 代码检查
  • 公司要求代码和模型留在指定环境
  • 希望 AI 给出的结论先经过人复核再发布
预约同类 PoC

下一步

想在你们的芯片上试一次?

预约 PoC