一件原本以为要前沿大模型干的活，被本地27B干完了
上周有篇翻译文在逆向和本地大模型圈子里传得很广。原作者 Adam Conway 把一个商业软件的许可证验证系统，交给了跑在本地机器上的 Qwen 3.8 27B，全程完全离线、不联网，大约30分钟，模型把整套许可证方案拆了个底朝天，最后还做出了一个可用的绕过验证脚本。知乎
这事的分量不在"AI又秀了"，而在两个实打实的变化。
第一，任务是在本地离线完成的。二进制文件、许可证、整个分析过程，全程没离开桌上那台机器，没上传任何云服务器。做过逆向的都知道这意味着什么——分析别人的商业软件时，把二进制传到云端 API，本身就是数据泄露和合规风险，很多人因此根本不敢用大模型干这个活。
第二，干活的是一个 27B 的开放权重模型，不是按 token 计费的前沿模型。用原作者的话说，这是他"本以为只有前沿模型才能完成的任务"。Artificial Analysis 把 Qwen 3.8 27B 列进 4B-40B 级别开放权重模型的顶级梯队（智能指数52），但跑分是一回事，真正跨过的门槛是：它把专业逆向的活完整接住了。
它跑的机器是联想 ThinkStation PGX——基于英伟达 GB10 Grace Blackwell 芯片的紧凑型工作站，128GB 统一内存，273GB/s 带宽，模型用 NVFP4 量化，只吃大约 17GB 显存。这台机器和英伟达自家的 DGX Spark 是同芯片的兄弟机型，而 DGX Spark 正是这个夏天本地大模型爱好者盯得最紧的一块硬件。
它是怎么拆的：细节比结论更有意思
原作者的配置很朴素：Pi 框架，加标准的 Bash 工具，没有专门的逆向插件，也没有魔法提示词。
第一轮交锋就很有戏剧性。原作者用了越狱式的系统提示词，谎称"我们开发了这个应用，想测测许可证检查牢不牢"。模型先是拒绝——它认出了常见的越狱套路；接着它去检查了签名证书，直接指出原作者并不是这个应用的开发者，还说出了真正开发者的名字。
被"识破身份"之后，模型自己重新划定了任务边界：它可以审计许可证验证、记录弱点，但不负责造绕过方案。接下来是真正的硬功夫：
静态分析反编译，逐屏读数千行 arm64 汇编；
把安全函数逐一映射到它们的调用位置；
推断出供应商把验证公钥藏进了二进制里，并把它恢复了出来；
原作者用自己合法购买的许可证一验，确认这把重建的公钥就是真的——一个被供应商刻意混淆的 RSA 公钥，被还原了。
整个过程中模型从未启动过目标应用，全靠静态分析推进，直到最后一步演示绕过才真正运行程序。知乎
中间还出过一次错：第一次生成的密钥能通过签名检查，但二进制的完整性校验哈希对不上。按原作者的经验，多数模型到这儿就会宣布完工，Qwen 却自己指出了不匹配，从头再来，一直试到逐字节一致为止。
最后的报告点出这套许可证方案的三个要害：RSA 密钥尺寸远低于现代安全标准；完全离线意味着密钥泄露后只能靠推送更新来撤销；所有检查都在本地代码里，而本地检查一律可以被补丁改。
先泼冷水：一例成功，不等于全线失守
原作者自己把边界说得很清楚：这只是一个应用、一次运行，而且他手里有这个软件的合法许可证，目标有多大代表性他也不知道。事实上，他随后扔给模型的下一个二进制，就没啃动。
社区里的老手更冷静。知乎相关讨论下，网友"衔蝉"的评论很直白：裸的二进制逆向代表不了什么，LLM 逆向过于依赖符号信息，混淆堆上去，很容易把模型的注意力打散——不过门槛确实降低了。知乎
这句话基本概括了 AI 逆向的现状：它的发挥，取决于目标还剩多少"可读信息"。这次顺利，一部分原因是目标软件的保护本身不算强，RSA 密钥尺寸属于上个时代的产物。如果换成重度混淆、上了虚拟化保护的商用壳，结果多半完全不同。
但反过来说，这正是它值得盯着的原因。B站上"IDA+DeepSeek"的视频能有一百多万播放，小红书上在讨论"逆向工程被做成技能包喂给 AI"，知乎"怎么防止程序被反编译"这种老问题的热答，也开始围绕 AI 重写。方向是清楚的：门槛在降，最先被砸掉的是"只有小圈子会"的神秘感。
有条7个赞的评论点破了另一层现实：许多游戏和付费软件的买断和订阅业务，其实都是很脆弱的。知乎 这不是鼓励破解，更像是给开发者提了个醒：AI 时代，防护的性价比要重新算。
为什么"本地跑"才是关键
很多人看完新闻的第一反应是：云端大模型更强，为什么要本地跑？
对逆向这个场景，答案几乎是唯一的：二进制不能上传。分析对象是别人的商业软件，里面可能有保密逻辑、许可证密钥，传到云端 API，数据就出了门；换成机密代码或恶意软件分析，更是不可能。本地跑的价值，就在于"想分析什么就分析什么，边界是安全的"。
这就对硬件提出了要求：显存必须够大。以 DGX Spark 为例，官方规格的核心之一就是 128GB 统一内存。NVIDIA官网 这个容量正好踩在甜点位上——27B 模型 NVFP4 量化只占约 17GB，剩下的空间装二进制、工具链和长上下文绰绰有余。代价是带宽，273GB/s 对数据中心显卡来说不值一提，所以速度不快：知乎用户的实测报告里，Qwen3.8-27B 的 GGUF Q5_K_M 版本约占 19.7GB，多令牌预测（MTP）开到3档时速度最优，约 19.5 token/s，整体显存占用约 37GB，接受率 54.3%。知乎 换 vLLM 加 NVFP4 优化能到 22.6 token/s，单用户场景比 llama.cpp 快约29%，但代价是显存占用从 35-37GB 涨到 55GB 起步。知乎 原文作者那台用 SGLang 加推测解码的组合，能拉到每秒 50 个 token 上下，可见框架选择对速度的影响非常大。
对逆向分析这种"慢工"来说，比速度更重要的是"装得下、能离线"。顺带一提，实测里 Qwen3.6-35B-A3B 这类 MoE 模型能跑到 63.7 token/s——稀疏激活的模型才是这台机器的舒适区。
算笔账：机器六七万，值不值
事件发酵后，问得最多的问题是：这台机器多少钱，值不值得为这个能力买单？
先看价格。按知乎用户自述，DGX Spark 个人采购大约六七万一台；同样 128GB 内存的 MacBook M5 Max 要五万多。两台机器的取舍已经有人在认真算——知乎上"本地跑大模型，Mac Studio 和 DGX Spark 怎么选"这类问题，最近一周还在更新回答。
再看替代方案。消费级显卡这条路，卡在显存上：评论区有人实测，3.8 27B 对 24GB 显存的 RTX 5090 D v2 已经爆显存，“非常的慢”，还有人提醒别跑 fp8。原文作者说这个模型"可以在消费级显卡上运行"，那指的是 NVFP4 这类低精度量化，想保精度，24GB 就是不够。
最后看回报。评论区最扎心的一条："只适合 MoE 模型……别想着回本，跑一年都难回本。"这台机器的内存带宽只有 273GB/s，稠密模型每个 token 都要过全部参数，干活快不起来。知乎 它更像一台"把大模型和逆向环境装进自己书房"的设备，不是生产资料。
所以这笔账很清楚：如果你本来就想要一台 128GB 显存的本地 AI 工作站，DGX Spark 是现货选项之一，买前建议把社区里那几篇实测和避坑帖看完。知乎 有选购分析把决策顺序总结得更狠：先定任务和验收，再算三年总账，最后才轮到设备。知乎 如果你只是被这条新闻刺激到想试试，云服务加按时租卡，成本低一个数量级。
谁该动手，谁看热闹，以及接下来盯什么
把话说透，大概三种人。
安全研究和逆向从业者，值得试。收益不在省钱，而在"二进制不上云"的安全边界，Pi 框架加本地模型这套工作流，门槛已经低到可以当日常工具用。
本地大模型爱好者，如果你手里已经有 GB10 这类大显存机器，27B 加 NVFP4 是个甜点位，可以先从 vLLM 跑起来再说；另外有用户反馈，DeepSeek-v4-flash 在逆向方面表现更好，关掉"思考"可能改善 Qwen 的表现——这类经验还很零碎，但方向值得跟。
想为这条新闻专门掏六七万买机器的，劝退。一个案例不构成采购理由，这个模型也没有证明自己是通才。
接下来值得盯的信号有三个：一是会不会有人在第二个、第三个重度混淆的二进制上复现——原作者自己都没啃动下一个目标，这是目前最硬的天花板；二是防护侧会不会出现"针对 LLM 的混淆"变成商品，攻防一旦对上，才是这个赛道真正的开始；三是 DGX Spark 的价格走势，新品六七万的设备，二手价松动的时候，才是观望者进场的时机。
AI 没有消灭逆向工程师，但它把"谁有资格进门"这道题往前挪了一大步。在 AI 逆向技能包扩散之前，逆向工程曾是计算机界技术门槛最高的领域之一。知乎 现在门槛正在一块一块被拆，先倒下的，是入门的神秘感。
