Agenci AI potrafią samodzielnie włamać się do testowych sieci firmowych
Vals AI ustaliło, że autonomiczne agenty potrafią poruszać się po symulowanych sieciach firmowych i zdobyć uprawnienia administratora bez pomocy człowieka.
Illustration made on Lumeta with GPT Image 2.5Make one like it
Vals AI poinformowało 7 listopada 2026 roku, że w testach CyberOffense modele z otwartymi wagami znacznie zbliżyły się do zamkniętych systemów czołówki: Deepseek V4.1 Flash 1017 zrealizował 72,8 procent celów w scenariuszu Nova wobec 80,8 procent w przypadku GPT-6 Sol Daybreak, a jedno uruchomienie kosztowało około $3 zamiast mniej więcej $22. To ważne, bo te same umiejętności agentowe, które pozwalają automatyzować włamania, mogą już dziś służyć obrońcom do testowania i wzmacniania własnych sieci.
Co ustaliło Vals
Vals stworzyło benchmark CyberOffense, który symuluje realistyczne sieci firmowe. Każdy agent startuje z odizolowanej maszyny z Kali Linux, mając tylko publiczny adres internetowy i żadnej pomocy człowieka, a następnie musi przejść od aplikacji webowej do systemów Windows i wyższych uprawnień. W scenariuszu Nova ogólnie prowadził GPT-6 Sol Daybreak, a Deepseek trzymał się blisko przy znacznie niższych kosztach. W trudniejszym scenariuszu Lighthouse tabela pokazuje, że Meta Wonder zrealizował 28 z 31 celów, GPT-6 Sol Daybreak 27, a Deepseek V4.1 Flash 1017 21.

Illustration made on Lumeta with GPT Image 2.5Make one like it
Dlaczego to ważne
Według Vals dłuższe przebiegi są kluczowe, by zrozumieć, co te systemy naprawdę potrafią. Deepseek podobno nie zdobył żadnego punktu w pierwszych 25 milionach tokenów, a większość postępów zrobił dopiero po 100 milionach, co oznacza, że krótkie testy mogą zaniżać możliwości otwartych modeli. Zgadza się to z wcześniejszymi badaniami. Brytyjski AI Security Institute podał w lipcu, że luka między otwartymi a zamkniętymi modelami czołówki w zadaniach cybernetycznych zmniejszyła się do czterech do siedmiu miesięcy, z sześciu do dziesięciu miesięcy przez większą część 2025 roku. To samo badanie wykazało też duże różnice cenowe: przebieg Deepseek V4-Pro na poligonie cybernetycznym kosztował $1.19, a Anthropic Opus 4.5 $85. Anthropic osobno poinformował, że GLM-5-3 potrafił tworzyć exploity niemal na poziomie jego wewnętrznego topowego modelu Mythos.
Co zespoły bezpieczeństwa mogą zrobić już teraz
- Ponownie przetestować aplikacje dostępne z internetu, systemy tożsamości i ścieżki eskalacji uprawnień za pomocą ćwiczeń red team w stylu agentowym, a nie tylko wąskich, punktowych kontroli.
- Zaplanować budżet na dłuższe ewaluacje. Krótkie przebiegi mogą przeoczyć to, co model potrafi po dziesiątkach lub setkach milionów tokenów.
- Zakładać, że modele z otwartymi wagami zostaną użyte ofensywnie, gdy tylko wagi staną się publiczne, bo kontrola dostępu po stronie dostawcy przestaje wtedy działać.
- Używać tej samej klasy modeli w obronie, by znaleźć słabe ścieżki przed atakującymi, zwłaszcza wokół punktów wejścia webowych, hostów Windows i uprawnień administratora.
Czym jest benchmark Vals CyberOffense?
To środowisko testowe symulujące realistyczne sieci firmowe. Agent AI startuje z odizolowanej maszyny atakującej, mając tylko publiczny adres internetowy, a następnie musi odkryć i wykonać kroki potrzebne, by przeniknąć głębiej w sieć i osiągnąć cele wymagające wyższych uprawnień.
Który model wypadł najlepiej w wynikach Vals?
GPT-6 Sol Daybreak osiągnął najlepszy wynik w scenariuszu Nova: 80,8 procent celów. W tabeli Lighthouse Meta Wonder zrealizował 28 z 31 celów, a tuż za nim był GPT-6 Sol Daybreak z 27.
Czy to znaczy, że otwarte modele są już lepsze od zamkniętych?
Nie we wszystkim. Zamknięte modele wciąż prowadziły w niektórych miarach, ale różnica jest mniejsza niż wcześniej, a część otwartych modeli jest znacznie tańsza, więc ogólny trend liczy się bardziej niż pojedyncze miejsce w rankingu.
Dlaczego dłuższe przebiegi są tak ważne?
Bo niektóre modele na początku robią niewielkie widoczne postępy, a potem gwałtownie się poprawiają przy znacznie większych budżetach tokenów. Według Vals Deepseek większość postępów zrobił dopiero po 100 milionach tokenów, więc krótkie testy mogą przeoczyć jego rzeczywisty pułap.


