AI agent có thể tự động xâm nhập mạng thử nghiệm doanh nghiệp
Vals AI phát hiện các tác tử tự hành có thể len lỏi trong mạng doanh nghiệp mô phỏng và giành được quyền quản trị mà không cần con người hỗ trợ.
Illustration made on Lumeta with GPT Image 2.5Make one like it
Ngày 7/11/2026, Vals AI cho biết các mô hình trọng số mở đã tiến sát hơn nhiều so với các hệ thống tiên phong bị hạn chế truy cập trong bài kiểm tra CyberOffense của hãng: Deepseek V4.1 Flash 1017 đạt 72.8 phần trăm mục tiêu Nova, so với 80.8 phần trăm của GPT-6 Sol Daybreak, trong khi chi phí chỉ khoảng $3 mỗi lượt chạy thay vì khoảng $22. Điều này quan trọng vì chính những kỹ năng tác tử có thể tự động hóa các cuộc xâm nhập cũng có thể được bên phòng thủ dùng ngay bây giờ để kiểm tra và gia cố mạng của mình.
Vals đã phát hiện điều gì
Vals xây dựng một benchmark tên CyberOffense, mô phỏng các mạng doanh nghiệp thực tế. Mỗi tác tử khởi đầu từ một máy Kali Linux biệt lập, chỉ có một địa chỉ web công khai và không có sự trợ giúp của con người, rồi phải đi từ một ứng dụng web vào các hệ thống Windows và giành quyền truy cập cao hơn. Trong kịch bản Nova, GPT-6 Sol Daybreak dẫn đầu tổng thể, còn Deepseek bám sát với chi phí rẻ hơn nhiều. Trong kịch bản Lighthouse khó hơn, bảng kết quả cho thấy Meta Wonder đạt 28 trên 31 mục tiêu, GPT-6 Sol Daybreak đạt 27 và Deepseek V4.1 Flash 1017 đạt 21.

Illustration made on Lumeta with GPT Image 2.5Make one like it
Vì sao điều này quan trọng
Vals cho rằng các lượt chạy dài hơn là yếu tố then chốt để hiểu những hệ thống này thực sự làm được gì. Theo báo cáo, Deepseek không ghi được điểm nào trong 25 triệu token đầu tiên và chỉ đạt phần lớn tiến bộ sau mốc 100 triệu, nghĩa là các bài kiểm tra ngắn có thể đánh giá thấp năng lực của mô hình mở. Điều này cũng khớp với các nghiên cứu trước đó. Viện An ninh AI của Anh (AI Security Institute) cho biết hồi tháng 7 rằng khoảng cách giữa mô hình tiên phong mở và đóng trong các tác vụ an ninh mạng đã thu hẹp còn bốn đến bảy tháng, so với sáu đến mười tháng trong phần lớn năm 2025. Nghiên cứu này cũng chỉ ra chênh lệch giá rất lớn: một lượt chạy cyber-range của Deepseek V4-Pro tốn $1.19, so với $85 của Anthropic Opus 4.5. Anthropic cũng báo cáo riêng rằng GLM-5-3 có thể xây dựng mã khai thác ở mức gần ngang với mô hình hàng đầu nội bộ Mythos của hãng.
Đội ngũ bảo mật có thể làm gì ngay bây giờ
- Kiểm tra lại các ứng dụng hướng ra internet, hệ thống định danh và các đường leo thang đặc quyền bằng những bài diễn tập red-team theo kiểu tác tử, thay vì chỉ kiểm tra từng điểm riêng lẻ.
- Dành ngân sách cho các đợt đánh giá dài hơn. Các lượt chạy ngắn có thể bỏ sót những gì mô hình làm được sau hàng chục hoặc hàng trăm triệu token.
- Hãy giả định các mô hình trọng số mở sẽ bị dùng cho mục đích tấn công một khi trọng số được công khai, vì các biện pháp kiểm soát truy cập của nhà cung cấp không còn hiệu lực.
- Dùng chính các mô hình cùng loại cho phòng thủ để tìm ra những đường đi yếu trước kẻ tấn công, nhất là quanh các điểm truy cập web, máy chủ Windows và quyền quản trị.
Benchmark CyberOffense của Vals là gì?
Đây là môi trường thử nghiệm mô phỏng các mạng doanh nghiệp thực tế. Một tác tử AI khởi đầu từ một máy tấn công biệt lập chỉ với một địa chỉ web công khai, sau đó phải tự tìm ra và thực hiện các bước cần thiết để tiến sâu hơn vào mạng và đạt các mục tiêu có đặc quyền cao hơn.
Mô hình nào đạt kết quả tốt nhất trong thử nghiệm của Vals?
GPT-6 Sol Daybreak đạt kết quả Nova cao nhất với 80.8 phần trăm mục tiêu. Trong bảng Lighthouse, Meta Wonder đạt 28 trên 31 mục tiêu, GPT-6 Sol Daybreak theo sát với 27.
Vậy có phải mô hình mở đã vượt mô hình đóng?
Chưa phải ở mọi mặt. Mô hình đóng vẫn dẫn đầu ở một số tiêu chí, nhưng khoảng cách đã nhỏ hơn trước và một số mô hình mở rẻ hơn nhiều, nên xu hướng chung quan trọng hơn bất kỳ thứ hạng đơn lẻ nào trên bảng xếp hạng.
Vì sao các lượt chạy dài lại quan trọng đến vậy?
Vì một số mô hình gần như không có tiến triển rõ rệt lúc đầu, rồi cải thiện mạnh sau khi được cấp ngân sách token lớn hơn nhiều. Vals cho biết Deepseek chỉ đạt phần lớn tiến bộ sau mốc 100 triệu token, nên các bài kiểm tra ngắn có thể bỏ lỡ giới hạn thực sự của nó.


