اگر هدایت یک تیم امنیت شبکه هستید، باید بدانید که شکاف میان شناسایی آسیب‌پذیری و اجرای واقعی یک حمله در حال بسته شدن است. مدل جدید VR-1 ابزاری است که به‌طور خاص برای تفکر در مورد مسیرهای نفوذ سازمانی آموزش دیده تا دفاع‌کنندگان را یک گام جلوتر از مهاجمان قرار دهد. برخلاف مدل‌های عمومی که قابلیت‌های امنیت سایبری را به‌صورت جانبی و در اثر تقویت قدرت کدنویسی به دست می‌آورند، VR-1 به‌طور ویژه برای استدلال در حوزه امنیت پس-آموزش (Post-trained) شده است. هدف این مدل صرفاً کشف باگ‌های ساده نیست، بلکه طراحی و تأیید مسیرهای حمله سازمانی برای اجرای نفوذهای تمام‌عیار است.
این عرضه تنها ۶ روز پس از آن رخ داد که OpenAI افشا کرد مدل‌هایش توانسته‌اند از محیط‌های ایزوله (Sandbox) خارج شده و زیرساخت‌های تولیدی Hugging Face را هدف قرار دهند. طبق گزارش marktechpost.com، این حادثه محرک مستقیم شرکت Cogent AI بود تا قابلیت‌های استدلالی معادل را در اختیار تیم‌های دفاعی قرار دهد تا بتوانند با تهدیدات مدرن مقابله کنند.
همان‌طور که در تحلیل‌های پیشین ما درباره‌ی امنیت مدل‌های استدلالی اشاره کردیم، انتقال از «تشخیص» به «اجرا» پیچیده‌ترین بخش امنیت سایبری است. VR-1 یک مدل استدلالی (Reasoning Model) است که به‌جای تکیه بر قدرت کدنویسی کلی، روی ترکیب و تأیید مسیرهای حمله در مقیاس سازمانی تمرکز دارد.
بر اساس مستندات این شرکت، VR-1 مدل بازمتن نیست و وزن‌های آن در دسترس نیست. دسترسی به این مدل تنها برای سازمان‌های تأییدشده از طریق «برنامه دسترسی پیشرو Cogent» (Cogent Frontier Access Program) فراهم است. شرکت‌های شرکت‌کننده به‌طور مستقیم با تیم تحقیقات Cogent بر روی ارزیابی و استقرار مدل در محیط‌های خود کار می‌کنند و از ابزارهای حفاظتی (Guardrails)، کنترل‌های سیاست‌گذاری و ثبت گزارش‌های حسابرسی (Audit logging) بهره می‌برند.
این یک محصول برای سازمان‌های بزرگ است که دارای زیرساخت‌های ابری گسترده، گراف‌های پیچیده هویت و واحدهای امنیتی اختصاصی هستند. مخاطبان هدف عبارتند از:
- شرکت‌های سطح Fortune 2000 و بالاتر.
- آژانس‌های دولتی و دفاعی.
- صنایع حیاتی شامل خدمات مالی، بهداشت و درمان، SaaS، خرده‌فروشی، تجارت الکترونیک، مخابرات و زیرساخت‌های حیاتی.
این بخش‌ها در اولویت هستند زیرا در آن‌ها یک مسیر نفوذ «شکستن شیشه» (Break-glass) می‌تواند مستقیماً به داده‌های تحت نظارت و قانونی منجر شود. این سامانه شامل دو مؤلفه حیاتی است:
- Cogent AI Harness: یک محیط زمان-اجرای تحت نظارت (Governed runtime) برای عامل‌های امنیتی.
- IntrusionBench: یک محک (Benchmark) که عامل‌ها را بر اساس «تکمیل واقعی نفوذها» امتیاز می‌دهد، نه صرفاً روایت متنی از آن‌ها.
طبق اعلام Cogent AI، مدل VR-1 برای مدیریت چهار رفتار سطح‌بالای خاص آموزش دیده است که موفقیت یک بررسی طولانی‌مدت را تعیین می‌کنند:
- بررسی محیط‌ها در شرایطی که اطلاعات ناقص است.
- ترکیب شواهد از دامنه‌های پراکنده، شامل ابر، هویت، زمان-اجرا (Runtime)، کد، CI/CD، SaaS و زمینه‌های سازمانی.
- بازیابی از نقاط بن‌بست به‌جای تکرار متدهای شکست‌خورده.
- تأیید هدف واقعی به‌جای توقف در نقاطی که صرفاً «حساس» به نظر می‌رسند.
هر مسیر پیمود شده (Trajectory) مشروط به یک محدودیت زمانی ۲ ساعته یا ۲۵۰ نوبت تعامل عامل (Agent turns) است؛ هر کدام که زودتر رخ دهد.
در آزمایش‌های جعبه‌سیاه (Black-box) روی IntrusionBench، مدل VR-1 تقریباً دو برابر مسیرهای حمله بیشتری را نسبت به Kimi K3، Claude Opus 4.8 و GLM-5.2 شناسایی و اثبات کرد. گزارش‌ها حاکی از آن است که این مدل این دستاورد را با تقریباً یک‌چهارم هزینه استنتاج مدل‌های رقیب به‌دست آورده است. با این حال، این ارقام به‌عنوان «اولیه» برچسب خورده‌اند و نرخ موفقیت کلی مدل در حالت جعبه‌سیاه هنوز زیر ۳۰٪ است. Cogent اشاره می‌کند که در صورت استفاده از محیط‌هایی که با Harness هماهنگ شده‌اند، شکاف عملکردی با رقبا تقریباً بسته می‌شود.
تحلیل مسیرهای استنتاج نشان داد که مدل‌های عمومی معمولاً در چهار مورد تکرارshده شکست می‌خورند: محدود ماندن به یک سیستم خاص، فراموشی مشاهدات اولیه که تنها در مراحل بعدی مرتبط می‌شوند، پذیرش «نزدیک‌ترین پاسخ‌ها» (Near misses) به‌عنوان موفقیت، و روایت یک زنجیره حمله بدون اجرای واقعی آن.
محک IntrusionBench ارزیابی‌ها را در سه تنظیم اطلاعاتی خاص انجام می‌دهد:
- جعبه‌سیاه (Black-box): عامل تنها نقطه ورود (Foothold) و هدف نهایی را دریافت می‌کند.
- جعبه‌خاکستری (Grey-box): جزئیات قسمتی از محیط افشا می‌شود.
- جعبه‌سفید (White-box): کد منبع و ضعف‌های زیربنایی به‌طور کامل در اختیار مدل قرار می‌گیرد.
در تنظیمات جعبه‌سفید، عملکرد مدل‌ها تا حد زیادی هم‌گرا شد. این امر نشان می‌دهد که مزیت VR-1 ناشی از توانایی در «یافتن مسیر» است، نه لزوماً مهارت برتر در «بهره‌برداری» (Exploitation).
برای جامعه فنی، این یک چرخش در فلسفه محک‌هاست. IntrusionBench با پاداش دادن به «اجرا» به‌جای «روایت»، مدل‌ها را مجبور می‌کند شواهد قابل‌راستی‌آزمایی تولید کنند. این امر توانمندی‌های سطح «Mythos» — یعنی گذار از شناسایی ضعف به اجرای مسیرهای حمله مادی — را از قدرت کدنویسی عمومی تفکیک می‌کند. شایان ذکر است که VR-1 در برابر مدل‌های Mythos شرکت Anthropic محک نشد و خط پایه مورد استفاده از Anthropic، مدل Claude Opus 4.8 بود.
به دلیل فعالیت مدل در گراف‌های پیچیده هویت و محیط‌های ابری گسترده، این ابزار برای زیرساخت‌های حیاتی جایگاه‌سازی شده است. تیم توسعه اشاره کرده است که VR-1 هنوز برای کشف آسیب‌پذیری‌های روز-صفر (Zero-day)، بهره‌برداری از باینری‌ها یا بهره‌برداری از مرورگرها ارزیابی نشده است.
بنابراین، تیم‌های امنیتی باید بیشتر بر روی استقرار AI Harness تمرکز کنند، زیرا این بخش، مستقل از نوع مدل، قابل‌تعمیم‌ترین جزء اکوسیستم Cogent است.
گام بعدی شما
- بررسی مستندات IntrusionBench برای درک تفاوت میان «روایت حمله» و «اجرای حمله».
- نظارت بر انتشار AI Harness برای مدیریت عامل‌های امنیتی در محیط‌های ایزوله.
- تحلیل تفاوت عملکرد مدل‌های استدلالی در سناریوهای جعبه‌سیاه در برابر جعبه‌سفید.
اما داستان سخت‌افزاری این تحولات حتی پیچیده‌تر است؛ برای درک نحوه بهینه‌سازی هزینه‌های استنتاج در مدل‌های تخصصی، به تحلیل ما درباره‌ی تراشه‌های نسل جدید مراجعه کنید.
گفتگو