Vals AI 基准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 智能体能够自行入侵真实的企业网络

Vals CyberOffense 基准测试通过模拟真实的企业网络来检验这一点。每个智能体都在一台隔离的攻击机上单独运行，起点只有一个公开网址，且没有任何人工协助。

该 AI 智能体从一台隔离的 Kali Linux 机器上运行，独立向模拟企业网络发送命令，并从 Web 应用一路推进，穿过 Windows 服务器，最终获得管理员权限。所有操作都在外部记录并自动评分。| 图片：Vals AI

GPT-6 Sol 属于 OpenAI 受限的Daybreak 网络项目，取得了最佳成绩，完成 80.8% 的目标。Deepseek V4.1 Flash 1017 是一款可免费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，而非约 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 之前不会取得实质性进展。| 图片：Vals AI

在更难的 Lighthouse 测试中，Daybreak 接管了第一家公司的管理员控制权，窃取密码，并利用这些密码入侵第二家公司。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，而且并未仅受安全护栏限制。

更长的运行时间也被证明至关重要。Deepseek 在最初的 2500 万 token 中得分为零，大部分进展是在超过 1 亿 token 之后才取得的。因此，短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% 的攻击目标完成率领先；而在更难的 Lighthouse 场景中，Deepseek V4.1 Flash 反超全场。大多数中国开放模型在超过 1 亿 token 之前不会取得实质性进展。因此，短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，因为那些利用漏洞的模型可以帮助公司先发现并修复漏洞。据 Vals 称，未来几个月对真实网络的攻击可能会增加。

早前研究证实，开放模型正在快速缩小差距

这些结果与英国人工智能安全研究所（AISI）7 月最近的一项分析一致。开放与闭源前沿模型在网络能力上的差距已缩小到四到七个月。在 2025 年的大部分时间里，这一差距仍为六到十个月。

开放模型的成本也低得多。根据 AISI 的数据，使用 Deepseek V4-Pro 进行一次网络靶场运行仅需 1.19 美元，而 Anthropic 的 Opus 4.5 则需要 85 美元。开放模型上的安全措施被证明基本无效。

Anthropic 最近的一项研究还表明，可免费获取的模型 GLM-5-3 能够构建漏洞利用程序，水平几乎与内部顶级模型 Mythos 相当。

没有炒作的 AI 新闻——由人类精选

订阅 THE DECODER，享受无广告阅读、每周 AI 新闻通讯、每年六次独家“AI Radar”前沿报告、完整档案访问权限以及评论区访问权限。