Как сообщает The Decoder, компания Vals AI проверила ИИ-агентов на бенчмарке CyberOffense, который имитирует реальные корпоративные сети. Агент работает без участия человека: с изолированной машины на Kali Linux, зная лишь публичный адрес сайта, он пробивается с веб-приложения через Windows-серверы до прав администратора, а каждое действие фиксируется и оценивается автоматически.
В простом сценарии Nova лучший результат показала GPT-6 Sol из закрытой киберпрограммы OpenAI Daybreak — 80,8% выполненных целей. Открытая модель Deepseek V4.1 Flash 1017, чьи веса доступны бесплатно, отстала ненамного с 72,8%, при этом один прогон стоит около $3 против примерно $22. Исследователи Vals подчёркивают: когда веса модели опубликованы, провайдер уже не может контролировать или ограничивать её использование.
В более сложном сценарии Lighthouse агент Daybreak захватил права администратора в первой компании, похитил пароли и с ними проник во вторую, выполнив 27 из 31 задач менее чем за три часа. Deepseek справился с 21 задачей примерно за десятую часть стоимости, и его прогресс не сдерживали только встроенные механизмы безопасности.
Отдельный вывод теста — короткие проверки занижают реальные возможности открытых моделей. Deepseek не показывал результата первые 25 млн токенов и сделал основной прогресс лишь после отметки в 100 млн токенов.
Похожую динамику в июле зафиксировал британский AI Security Institute: разрыв между открытыми и закрытыми моделями по киберспособностям сократился до 4–7 месяцев против 6–10 месяцев большую часть 2025 года. По его данным, прогон Deepseek V4-Pro на киберполигоне стоил $1,19 против $85 у Anthropic Opus 4.5, а защитные ограничители открытых моделей оказались в основном неэффективны. Исследование самой Anthropic также показало, что бесплатная модель GLM-5-3 создаёт эксплойты почти на уровне внутренней топ-модели компании Mythos.
В Vals AI добавляют, что те же модели, которые эксплуатируют уязвимости, могут помогать компаниям находить и закрывать их первыми, и ожидают роста атак на реальные сети в ближайшие месяцы.
