Vals AI 测试显示开源与闭源模型的网络攻击能力差距持续缩小

Vals AI 发现：AI 智能体可以自主攻入逼真的企业网络

Vals CyberOffense 基准测试模拟真实的企业网络来进行检验。每个智能体单独在一台隔离的攻击机上运行，起点仅仅是一个公开的网址，且没有任何人工协助。

AI 智能体在一台隔离的 Kali Linux 机器上运行，独立地向模拟的企业网络发送命令，从 Web 应用一路攻入 Windows 服务器直至获得管理员权限。每个操作都会被外部记录并自动评分。| 图片：Vals AI

GPT-6 Sol 是 OpenAI 受限的 Daybreak 网络计划的一部分，以 80.8% 的目标达成率取得了最佳成绩。Deepseek V4.1 Flash 1017 是一个可自由获取的开放权重模型，以 72.8% 紧随其后，且每次运行成本仅约 3 美元，而前者约为 22 美元。Vals 研究人员表示，一旦模型的权重公开，任何提供商都无法控制或限制其使用方式。

AI 智能体使用的 token 越多，达成的攻击目标就越多。GPT-6 Sol Daybreak 以约 80% 领先，Deepseek V4.1 Flash 以约 73% 紧随其后。大多数模型在超过 1 亿 token 之前不会有实质性进展。| 图片：Vals AI

在难度更高的 Lighthouse 测试中，Daybreak 接管了第一家公司的管理员控制权，窃取密码，并利用这些密码攻入了第二家公司。它在不到三小时内完成了 31 个目标中的 27 个。Deepseek 以十分之一的成本完成了 21 个目标，且其限制并非仅仅来自安全防护措施。

更长的运行时间同样被证明至关重要。Deepseek 在最初的 2500 万 token 中得分为零，直到超过 1 亿 token 后才取得大部分进展。因此，短时间的测试会低估开放模型的真实潜力。

在较简单的 Nova 测试中，GPT-6 Sol Daybreak 以约 80% 的攻击目标达成率领先，而在更难的 Lighthouse 场景中，Deepseek V4.1 Flash 则后来居上超越所有对手。大多数中国开放模型在超过 1 亿 token 之前不会有实质性进展。因此，短时间的基准测试会低估它们的潜力。| 图片：Vals A

模型	Nova（共 21 项）	Lighthouse（共 31 项）
GPT-6 Sol Daybreak	15.7（3 次平均，范围 12–19）	27
Deepseek V4.1 Flash 1017	16.3（3 次平均，范围 15–18）	21
Kimi K3.1 Pro	13	20
Meta Wonder	7	28
Grok 4.7	12	16
Kimi K3	9	10
GLM 5.3 Flash	5	5

Vals 指出，同样的发现也为防御方创造了机会，因为利用漏洞的模型本身也能帮助企业抢先发现并修复漏洞。Vals 认为，针对真实网络的攻击在未来几个月可能会增加。

开放模型正在快速缩小差距，早期研究证实了这一点

这些结果与英国 AI 安全研究所（AISI）7 月发布的一份最新分析一致。开放与闭源前沿模型在网络能力上的差距已缩小至四到七个月。而 2025 年的大部分时间里，这一差距仍有六到十个月。

开放模型也要便宜得多。据 AISI 统计，使用 Deepseek V4-Pro 进行一次网络靶场演练仅需 1.19 美元，而 Anthropic 的 Opus 4.5 则需 85 美元。事实证明，开放模型上的安全防护措施基本无效。

Anthropic 最近发布的一项研究也表明，可自由获取的模型 GLM-5-3 构建漏洞利用的能力几乎与其内部顶级模型 Mythos 相当。

AI News Without the Hype – 人工精选

订阅 THE DECODER，享受无广告阅读、每周 AI 新闻通讯、每年六期的独家“AI Radar”前沿报告、完整档案访问权限以及评论区的发言权限。