Segmentazione del Contesto per Agenti SLM

Questa è l'implementazione della soluzione proposta nel paper scientifico: Evaluating Context Segmentation in Locally Deployable SLMs for Cybersecurity CTF Tasks

Setup

Assicurati di avere Python 3.12.3+ installato insieme a Docker engine

Ambiente Python

python3 -m venv .venv
source .venv/bin/activate
python3 -m pip install -r requirements.txt

llama.cpp

Avvia llama.cpp con Vulkan

docker compose --profile vulkan up -d

o con Cuda

docker compose --profile cuda up -d

Compilazione di Modelli e Container

Scarica il Large Language Model (LLM) desiderato in formato GGUF da HuggingFace, poi compila i container intercode-ctf.

docker exec -it llamacpp ./llama-cli -hf unsloth/gemma-4-E2B-it-GGUF:Q4_K_M  # or any other GGUF model on HF
docker build -t intercode-ctf -f intercode/docker/ctf.Dockerfile ./intercode
docker restart llamacpp

Esegui il benchmark

Esegui N benchmark di una strategia (plain o explorer)

Questo accumula i risultati in un file $MODEL_NAME.$STRATEGY.bench

OPENAI_API_BASE=http://127.0.0.1:8080/ \
OPENAI_API_KEY=1234 \ #Mock key (we run locally)
python3 intercode_test.py \
  --model unsloth/gemma-4-E2B-it-GGUF:Q4_K_M \ #HF model
  --strategy plain \ #plain or explorer
  --count 1 #N

Controlla i risultati del benchmark

jq '.' gemma-4-E2b-it-GGUF:Q4_K_M.plain.bench

Note

Il codice nella directory intercode è stato preso da princeton-nlp/intercode e adattato per farlo funzionare con la nostra configurazione.