GLM-5.3 показує кіберздібності рівня Mythos. Чому це добра новина не лише для хакерів

Автор ·

Anthropic опублікувала детальний розбір кіберможливостей відкритої моделі GLM-5.3 — і результати виявилися ближчими до закритого Claude Mythos, ніж багато хто очікував. Це водночас і тривожний, і обнадійливий сигнал для всіх, хто будує системи безпеки.

На підмножині задач ExploitBench GLM-5.3 змогла успішно експлуатувати вразливості у 12% спроб, тоді як Claude Mythos — у 14% за зіставних умов. У ширшому тесті, який наводить розробник GLM, розрив більший: 54,4% успіху проти 78,0% у Mythos. Але головне — відкритий GLM-5.3 уже знаходиться в зоні «досить небезпечно компетентний».

Anthropic також показала, наскільки дешевшає пошук вразливостей. Використавши GLM-5.3-Flash «з полиці», без додаткових хакерських налаштувань, дослідники витратили $20,40 на токени, щоб знайти нещодавно виявлену помилку в Google Chrome і сформувати робочий payload. Якщо врахувати, що моделі з навмисно послабленими обмеженнями легко доступні, стає зрозуміло: і захисники, і зловмисники отримують у руки дуже подібні інструменти.

Автор огляду, Andrew Ng, пропонує дивитися на це не як на фатальну загрозу, а як на складну, але вирішувану інженерну задачу. Він порівнює ситуацію з авіацією: на початку XX століття польоти були смертельно небезпечними, але системна робота над безпекою зменшила ризики на кілька порядків. Так само й у ПЗ: кожен інцидент — від вразливостей у браузерах до кейсу з OpenAI–Hugging Face — штовхає індустрію до кращого sandboxing, моніторингу й процедур реагування.

Цікаво, що сам Anthropic уже будує інфраструктуру під таку «інженерію безпеки» — зокрема, через OpenWorker, фреймворк агентів, який спирається на нові безпекові підходи Nvidia для ізоляції й контролю дій моделей. Ідея проста: якщо моделі стають сильними кібер-агентами, їх треба запускати не «на проді», а в добре продуманих пісочницях.

Чому це важливо

Для українських компаній і держсектору це сигнал змінити ставлення до AI у кібербезпеці з «це щось далеке» на «це вже наш робочий інструмент». Відкриті моделі рівня GLM-5.3 означають, що:

  • Захисники можуть грати на тому ж полі, що й атакувальники. Вам більше не обовʼязково мати доступ до Claude Mythos чи інших закритих моделей, щоб автоматизувати пошук вразливостей у власному коді чи інфраструктурі.
  • Поріг входу в offensive security різко падає. Якщо знайти баг у популярному браузері можна за кілька десятків доларів на токени, то й умовний «скрипткіді» отримує небачену раніше потужність. Це аргумент не відкладати інвестиції в безпеку «на потім».
  • Фокус зміщується з заборон на інженерію захисту. Заблокувати моделі від усіх ризиків не вийде — але можна будувати процеси: sandboxing для агентів, моніторинг їхніх дій, контроль доступів до продакшн-систем.
  • Компаніям варто експериментувати з AI-асистентами для безпеки вже зараз. Навіть невелика команда може розгорнути open weight модель у внутрішньому середовищі й навчити її допомагати з code review, аналізом логів, перевіркою конфігурацій.
  • Освіта стає критичною. Розробникам, DevOps і безпековим інженерам потрібно розуміти, як працюють такі моделі, які є бенчмарки (ExploitBench, CyberBench тощо) і як коректно інтерпретувати їхні результати.

На мій погляд, головна думка тут така: frontier-моделі прискорюють не лише появу нових атак, а й темп «латання» цифрового світу. Питання в тому, чи встигнемо ми як індустрія — в Україні й глобально — перетворити ці можливості на реальні практики безпеки, а не просто ще одну гучну презентацію.

Джерело: The Batch (deeplearning.ai) (https://www.deeplearning.ai/the-batch/issue-373)