ИИ-агенты способны самостоятельно взломать тестовые корпоративные сети

Vals AI выяснила, что автономные агенты способны самостоятельно перемещаться по смоделированным корпоративным сетям и получать права администратора без помощи человека.

3 min read

ИИ-агенты способны самостоятельно взломать тестовые корпоративные сети

Illustration made on Lumeta with GPT Image 2.5Make one like it

Как сообщила Vals AI 7 ноября 2026 года, в ее тестах CyberOffense модели с открытыми весами заметно приблизились к закрытым передовым системам: Deepseek V4.1 Flash 1017 выполнила 72,8 процента задач сценария Nova против 80,8 процента у GPT-6 Sol Daybreak, при этом один прогон обошелся примерно в $3 вместо около $22. Это важно, потому что те же агентные навыки, которые позволяют автоматизировать взлом, защитники уже сейчас могут использовать для проверки и укрепления собственных сетей.

Что обнаружила Vals

Vals создала бенчмарк CyberOffense, который моделирует реалистичные корпоративные сети. Каждый агент начинает работу с изолированной машины на Kali Linux, имея лишь публичный веб-адрес и никакой помощи от человека, а затем должен пробиться из веб-приложения в Windows-системы и получить более высокие привилегии. В сценарии Nova в целом лидировала GPT-6 Sol Daybreak, а Deepseek держалась рядом и обходилась гораздо дешевле. В более сложном сценарии Lighthouse, согласно таблице, Meta Wonder выполнила 28 из 31 задачи, GPT-6 Sol Daybreak 27, а Deepseek V4.1 Flash 1017 21.

Бенчмарк Lighthouse: выполнено задач из 31
Meta Wonder28
GPT-6 Sol Daybreak27
Deepseek V4.1 Flash 101721
Kimi K3.1 Pro20
Grok 4.716
Kimi K310
GLM 5.3 Flash5
Таблица бенчмарка Vals AI CyberOffense в сценарии Lighthouse
Светящийся робот в капюшоне в темной серверной держит связку разноцветных цифровых ключей и выглядывает из-за стойки.
Взломщик из бенчмарка выглядит не так страшно, когда сжимает в руках свежую связку ключей.

Illustration made on Lumeta with GPT Image 2.5Make one like it

Почему это важно

По словам Vals, длительные прогоны критически важны, чтобы понять реальные возможности таких систем. Сообщается, что Deepseek ничего не набрала за первые 25 миллионов токенов и добилась основных результатов лишь после 100 миллионов, а значит, короткие тесты могут недооценивать возможности открытых моделей. Это согласуется и с более ранними исследованиями. Британский AI Security Institute в июле заявил, что отставание открытых моделей от закрытых передовых в кибер-задачах сократилось до четырех-семи месяцев, тогда как большую часть 2025 года оно составляло от шести до десяти месяцев. То же исследование выявило и большой разрыв в цене: прогон на киберполигоне для Deepseek V4-Pro стоил $1.19 против $85 для Anthropic Opus 4.5. Anthropic отдельно сообщила, что GLM-5-3 умеет создавать эксплойты почти на уровне ее внутренней топовой модели Mythos.

Что службы безопасности могут сделать уже сейчас

  • Повторно проверить внешние приложения, системы управления идентификацией и пути повышения привилегий с помощью red-team учений в стиле агентов, а не только узких точечных проверок.
  • Закладывать бюджет на более длительные оценки. Короткие прогоны могут упустить то, на что модель способна после десятков или сотен миллионов токенов.
  • Исходить из того, что модели с открытыми весами будут использоваться для атак, как только веса станут публичными, ведь ограничения доступа со стороны провайдера на них больше не распространяются.
  • Применять модели того же класса для защиты, чтобы находить слабые места раньше атакующих, особенно в точках входа через веб, на Windows-хостах и в правах администратора.

Что такое бенчмарк Vals CyberOffense?

Это тестовая среда, моделирующая реалистичные корпоративные сети. ИИ-агент начинает работу с изолированной атакующей машины, имея только публичный веб-адрес, а затем должен найти и выполнить шаги, необходимые, чтобы продвинуться вглубь сети и достичь целей с более высокими привилегиями.

Какая модель показала лучший результат у Vals?

Лучший результат в Nova у GPT-6 Sol Daybreak: 80,8 процента задач. В таблице Lighthouse Meta Wonder выполнила 28 из 31 задачи, а GPT-6 Sol Daybreak почти не отстала с 27.

Значит ли это, что открытые модели уже лучше закрытых?

Не во всем. По некоторым показателям закрытые модели по-прежнему лидируют, но разрыв стал меньше, а некоторые открытые модели гораздо дешевле, поэтому общая тенденция важнее, чем любое отдельное место в рейтинге.

Почему длительные прогоны так важны?

Потому что некоторые модели поначалу почти не показывают заметного прогресса, а затем резко улучшаются при гораздо больших бюджетах токенов. По данным Vals, Deepseek добилась основного прогресса лишь после 100 миллионов токенов, так что короткие тесты могут не выявить ее реальный потолок.

Every top AI model, in one place

Nano Banana 2, GPT Image 2.5, Seedance, Veo and more, all on one credit balance. Start free with 35 credits a month. No card needed.

Увеличить изображениеПовысьте качество и разрешение изображения

All tools for "Bigger and sharper"

More from Lumeta

All Новости