网络安全领域兼具高风险决策属性与高度专业化的技术语言，对通用大语言模型构成显著挑战。该论文提出 MiST（Mid-trained Security Transformer），包含 8B 与 32B 两个参数规模的模型系列，均在公开网络安全基准上取得较强表现。其核心方法创新在于把「中期训练」（mid-training）明确定位为通用预训练与网络安全领域训练之间的中间适配阶段：与常见的持续预训练（continual pre-training）直接吞入海量原始领域文本不同，作者先由领域专家人工筛选、审校，构建一个小而精的种子语料，再通过合成数据生成流程将其扩展为高质量、领域专用的合成训练数据，从而在数据质量、专家成本与算力开销之间取得平衡。实验结果显示，最终 MiST 检查点在平均网络安全准确率上相比对应的 Qwen 基线分别提升 13.1（8B）与 8.6（32B）个绝对百分点，相对提升为 27.0% 与 15.8%。消融实验进一步表明，这些安全能力增益主要发生在中期训练与监督微调（SFT）两个阶段，并由多种合成数据生成流程的组合共同贡献。论文还证明 MiST 可为下游任务专用微调与强化学习提供更强的初始化起点。该工作适合关注 LLM 垂直领域适配、合成数据工程与训练流程设计的研究人员与安全工程团队阅读。