Yapay Zeka Ajanları Kurumsal Test Ağlarına Kendi Başına Sızabiliyor
Vals AI, otonom ajanların simüle edilmiş kurumsal ağlarda ilerleyip insan yardımı olmadan yönetici düzeyinde erişime ulaşabildiğini tespit etti.
Illustration made on Lumeta with GPT Image 2.5Make one like it
Vals AI, 7 Kasım 2026'da yaptığı açıklamada, CyberOffense testlerinde açık ağırlıklı modellerin erişimi kısıtlı öncü sistemlere çok daha fazla yaklaştığını bildirdi: Deepseek V4.1 Flash 1017, Nova hedeflerinin yüzde 72.8'ine ulaşırken GPT-6 Sol Daybreak yüzde 80.8'de kaldı, üstelik çalıştırma başına yaklaşık 22 $ yerine yaklaşık 3 $ maliyetle. Bu önemli, çünkü sızmaları otomatikleştirebilen aynı ajan becerileri, savunma ekipleri tarafından kendi ağlarını test edip güçlendirmek için de hemen kullanılabilir.
Vals neler buldu
Vals, gerçekçi kurumsal ağları simüle eden CyberOffense adlı bir kıyaslama testi geliştirdi. Her ajan, yalnızca herkese açık bir web adresiyle ve hiçbir insan yardımı almadan izole bir Kali Linux makinesinden başlıyor, ardından bir web uygulamasından Windows sistemlerine ve daha yüksek ayrıcalıklı erişime geçmesi gerekiyor. Nova senaryosunda genel liderlik GPT-6 Sol Daybreak'teydi, Deepseek ise ona yakın kalırken çok daha ucuzdu. Daha zorlu Lighthouse senaryosunda tablo, Meta Wonder'ın 31 hedeften 28'ini, GPT-6 Sol Daybreak'in 27'sini ve Deepseek V4.1 Flash 1017'nin 21'ini tamamladığını gösteriyor.

Illustration made on Lumeta with GPT Image 2.5Make one like it
Bu neden önemli
Vals'e göre bu sistemlerin gerçekte neler yapabildiğini anlamak için daha uzun çalıştırmalar kritik önem taşıyor. Bildirildiğine göre Deepseek ilk 25 milyon token boyunca hiç puan alamadı ve kazanımlarının çoğunu ancak 100 milyondan sonra elde etti; bu da kısa testlerin açık modellerin yeteneklerini olduğundan düşük gösterebileceği anlamına geliyor. Bu, önceki araştırmalarla da örtüşüyor. Birleşik Krallık'ın AI Security Institute'u temmuz ayında, siber görevlerde açık ve kapalı öncü modeller arasındaki farkın, 2025'in büyük bölümündeki altı ila on aydan dört ila yedi aya indiğini açıklamıştı. Aynı çalışma büyük fiyat farklarını da ortaya koydu: bir Deepseek V4-Pro siber tatbikat alanı çalıştırması 1.19 $ tutarken Anthropic Opus 4.5 için bu rakam 85 $ oldu. Anthropic ise ayrıca GLM-5-3'ün, şirketin dahili en üst modeli Mythos ile neredeyse aynı düzeyde exploit geliştirebildiğini bildirdi.
Güvenlik ekipleri şimdi ne yapabilir
- İnternete açık uygulamaları, kimlik sistemlerini ve ayrıcalık yollarını yalnızca dar kapsamlı nokta kontrolleriyle değil, ajan tarzı red team tatbikatlarıyla yeniden test edin.
- Daha uzun değerlendirmeler için bütçe ayırın. Kısa çalıştırmalar, bir modelin on milyonlarca ya da yüz milyonlarca token sonrasında neler yapabildiğini gözden kaçırabilir.
- Ağırlıklar kamuya açıldığında açık ağırlıklı modellerin saldırı amaçlı kullanılacağını varsayın, çünkü sağlayıcının erişim kontrolleri artık geçerli olmaz.
- Zayıf yolları saldırganlardan önce bulmak için aynı sınıftaki modelleri savunmada kullanın, özellikle web giriş noktaları, Windows sunucuları ve yönetici yetkileri konusunda.
Vals CyberOffense kıyaslaması nedir?
Gerçekçi kurumsal ağları simüle eden bir test ortamıdır. Bir yapay zeka ajanı, yalnızca herkese açık bir web adresiyle izole bir saldırı makinesinden başlar, ardından ağın derinliklerine ilerlemek ve daha yüksek ayrıcalıklı hedeflere ulaşmak için gereken adımları keşfedip uygulaması gerekir.
Vals'in sonuçlarında en iyi performansı hangi model gösterdi?
Nova'da en iyi sonucu hedeflerin yüzde 80.8'iyle GPT-6 Sol Daybreak elde etti. Lighthouse tablosunda ise Meta Wonder 31 hedeften 28'ine ulaştı, GPT-6 Sol Daybreak de 27 ile hemen arkasından geldi.
Bu, açık modellerin kapalı modellerden zaten daha iyi olduğu anlamına mı geliyor?
Her alanda değil. Kapalı modeller bazı ölçütlerde hâlâ önde, ancak aradaki fark eskisinden daha küçük ve bazı açık modeller çok daha ucuz. Bu da genel eğilimi, sıralamadaki tek bir konumdan daha önemli kılıyor.
Uzun çalıştırmalar neden bu kadar önemli?
Çünkü bazı modeller başlangıçta gözle görülür pek az ilerleme kaydediyor, ardından çok daha büyük token bütçeleriyle keskin biçimde gelişiyor. Vals'e göre Deepseek ilerlemesinin büyük kısmını ancak 100 milyon tokendan sonra kaydetti, dolayısıyla kısa testler modelin gerçek sınırını gözden kaçırabilir.


