AI智能体可自主攻破企业测试网络,无需人工协助获取管理员权限
Vals AI 发现,自主智能体可以在模拟的企业网络中自行穿行,无需人工协助即可获得管理员级别的权限。
Illustration made on Lumeta with GPT Image 2.5Make one like it
Vals AI 于 2026 年 11 月 7 日表示,在其 CyberOffense 测试中,开放权重模型与受限的前沿系统之间的差距已大幅缩小:Deepseek V4.1 Flash 1017 完成了 72.8% 的 Nova 目标,GPT-6 Sol Daybreak 为 80.8%,而前者每次运行成本约为 3 美元,后者约为 22 美元。这一点很重要,因为能够自动化入侵的智能体能力,如今同样可以被防御方用来测试和加固自己的网络。
Vals 的发现
Vals 构建了一个名为 CyberOffense 的基准测试,用于模拟真实的企业网络。每个智能体都从一台隔离的 Kali Linux 机器起步,手里只有一个公开网址,且没有任何人工协助,随后必须从 Web 应用一路渗透进 Windows 系统并获取更高权限。在 Nova 场景中,GPT-6 Sol Daybreak 综合领先,Deepseek 紧随其后且成本低得多。在难度更高的 Lighthouse 场景中,表格显示 Meta Wonder 完成了 31 个目标中的 28 个,GPT-6 Sol Daybreak 完成 27 个,Deepseek V4.1 Flash 1017 完成 21 个。

Illustration made on Lumeta with GPT Image 2.5Make one like it
为何值得关注
Vals 表示,要真正了解这些系统的能力,更长时间的运行至关重要。据报道,Deepseek 在前 2500 万个 token 内毫无得分,大部分进展都是在 1 亿个 token 之后才取得的,这意味着短时测试可能会低估开放模型的能力。这也与此前的研究相符。英国 AI 安全研究所(AI Security Institute)在 7 月表示,开放与闭源前沿模型在网络安全任务上的差距已缩小至四到七个月,而 2025 年大部分时间里这一差距为六到十个月。该研究还发现了巨大的价格差异:Deepseek V4-Pro 跑一次网络靶场测试花费 1.19 美元,而 Anthropic Opus 4.5 则需 85 美元。Anthropic 另外报告称,GLM-5-3 构建漏洞利用程序的水平几乎与其内部顶级模型 Mythos 相当。
安全团队现在可以做什么
- 用智能体式的红队演练重新测试面向互联网的应用、身份系统和权限路径,而不只是做零散的单点检查。
- 为更长时间的评估预留预算。短时运行可能会漏掉模型在消耗数千万乃至数亿个 token 之后才展现出的能力。
- 要假定开放权重模型一旦公开权重就会被用于攻击,因为服务提供商的访问控制已不再适用。
- 在防御端使用同类模型,赶在攻击者之前找出薄弱路径,尤其是 Web 入口、Windows 主机和管理员权限相关的环节。
Vals CyberOffense 基准测试是什么?
它是一个模拟真实企业网络的测试环境。AI 智能体从一台隔离的攻击机出发,手里只有一个公开网址,随后必须自行发现并执行所需步骤,逐步深入网络,达成更高权限的目标。
在 Vals 的结果中,哪个模型表现最好?
GPT-6 Sol Daybreak 在 Nova 中成绩最佳,完成了 80.8% 的目标。在 Lighthouse 表格中,Meta Wonder 完成了 31 个目标中的 28 个,GPT-6 Sol Daybreak 以 27 个紧随其后。
这是否意味着开放模型已经比闭源模型更强?
并非全面如此。闭源模型在部分指标上仍然领先,但差距比以前更小,而且一些开放模型便宜得多,因此整体趋势比任何单一排行榜名次都更值得关注。
为什么更长时间的运行如此重要?
因为有些模型在早期几乎看不出进展,但在 token 预算大幅增加后表现会急剧提升。Vals 表示,Deepseek 的大部分进展都是在 1 亿个 token 之后才取得的,因此短时测试可能无法测出它的真实上限。


