סוכני AI מצליחים לפרוץ לרשתות ארגוניות בסביבת ניסוי באופן עצמאי
Vals AI מצאה שסוכנים אוטונומיים מסוגלים לנווט ברשתות ארגוניות מדומות ולהשיג הרשאות ברמת מנהל מערכת ללא עזרה אנושית.
Illustration made on Lumeta with GPT Image 2.5Make one like it
Vals AI הודיעה ב-7 בנובמבר 2026 שמודלים בעלי משקלים פתוחים התקרבו מאוד למערכות החזית הסגורות במבחני CyberOffense שלה: Deepseek V4.1 Flash 1017 השיג 72.8 אחוזים מיעדי Nova, לעומת 80.8 אחוזים של GPT-6 Sol Daybreak, ובעלות של כ-$3 להרצה במקום כ-$22. זה חשוב משום שאותן יכולות סוכניות שמאפשרות לבצע חדירות באופן אוטומטי יכולות לשמש גם את המגינים, כבר עכשיו, כדי לבדוק ולהקשיח את הרשתות שלהם.
מה Vals מצאה
Vals בנתה בנצ'מרק בשם CyberOffense שמדמה רשתות ארגוניות מציאותיות. כל סוכן מתחיל ממכונת Kali Linux מבודדת, עם כתובת אינטרנט ציבורית בלבד וללא עזרה אנושית, ועליו להתקדם מאפליקציית ווב אל מערכות Windows ואל הרשאות גבוהות יותר. בתרחיש Nova הוביל GPT-6 Sol Daybreak בסיכום הכולל, בעוד Deepseek נשאר קרוב וזול בהרבה. בתרחיש Lighthouse הקשה יותר, הטבלה מציגה את Meta Wonder עם 28 מתוך 31 יעדים, את GPT-6 Sol Daybreak עם 27 ואת Deepseek V4.1 Flash 1017 עם 21.

Illustration made on Lumeta with GPT Image 2.5Make one like it
למה זה חשוב
לפי Vals, הרצות ארוכות יותר הן קריטיות כדי להבין מה המערכות האלה באמת מסוגלות לעשות. על פי הדיווח, Deepseek לא השיג דבר ב-25 מיליון הטוקנים הראשונים, ורוב ההתקדמות שלו הגיעה רק אחרי 100 מיליון, כך שמבחנים קצרים עלולים להמעיט ביכולות של מודלים פתוחים. הדבר תואם גם מחקרים קודמים. מכון בטיחות הבינה המלאכותית של בריטניה (AI Security Institute) מסר ביולי שהפער בין מודלי חזית פתוחים לסגורים במשימות סייבר הצטמצם לארבעה עד שבעה חודשים, לעומת שישה עד עשרה חודשים ברוב 2025. אותו מחקר מצא גם פערי מחיר גדולים: הרצה של Deepseek V4-Pro בטווח סייבר עלתה $1.19, לעומת $85 עבור Anthropic Opus 4.5. בנפרד, Anthropic דיווחה ש-GLM-5-3 מסוגל לבנות אקספלויטים ברמה כמעט זהה לזו של מודל הצמרת הפנימי שלה, Mythos.
מה צוותי אבטחה יכולים לעשות עכשיו
- לבדוק מחדש אפליקציות החשופות לאינטרנט, מערכות זהות ונתיבי הרשאות באמצעות תרגילי Red Team בסגנון סוכנים, ולא רק בבדיקות נקודתיות צרות.
- להקצות תקציב להערכות ארוכות יותר. הרצות קצרות עלולות לפספס את מה שמודל מסוגל לעשות אחרי עשרות או מאות מיליוני טוקנים.
- להניח שמודלים בעלי משקלים פתוחים ישמשו למתקפות ברגע שהמשקלים יפורסמו, משום שבקרות הגישה של הספק כבר לא חלות עליהם.
- להשתמש באותו סוג של מודלים להגנה, כדי לאתר נתיבים חלשים לפני שהתוקפים יעשו זאת, במיוחד סביב נקודות כניסה בווב, מארחי Windows והרשאות מנהל.
מהו בנצ'מרק CyberOffense של Vals?
זוהי סביבת בדיקה שמדמה רשתות ארגוניות מציאותיות. סוכן בינה מלאכותית מתחיל ממכונת תקיפה מבודדת עם כתובת אינטרנט ציבורית בלבד, ועליו לגלות ולבצע את הצעדים הדרושים כדי לחדור עמוק יותר לרשת ולהשיג יעדים בעלי הרשאות גבוהות יותר.
איזה מודל הצליח הכי טוב בתוצאות של Vals?
GPT-6 Sol Daybreak רשם את התוצאה הגבוהה ביותר ב-Nova, עם 80.8 אחוזים מהיעדים. בטבלת Lighthouse, Meta Wonder השיג 28 מתוך 31 יעדים, ו-GPT-6 Sol Daybreak צמוד אליו עם 27.
האם זה אומר שמודלים פתוחים כבר טובים יותר מסגורים?
לא בכל התחומים. מודלים סגורים עדיין הובילו בחלק מהמדדים, אבל הפער קטן יותר משהיה, וחלק מהמודלים הפתוחים זולים בהרבה. לכן המגמה הכללית חשובה יותר מכל מקום בודד בטבלת הדירוג.
למה הרצות ארוכות כל כך חשובות?
משום שחלק מהמודלים מראים התקדמות מועטה בהתחלה, ואז משתפרים בחדות לאחר תקציבי טוקנים גדולים בהרבה. לפי Vals, Deepseek השיג את רוב ההתקדמות שלו רק אחרי 100 מיליון טוקנים, כך שמבחנים קצרים עלולים לפספס את התקרה האמיתית שלו.


