تحقیق Xint منتشرشده در ۱۶ نوامبر ۲۰۲۶ نشان میدهد GPT-6 Sol صفرروز V8 را در ۱۳ دقیقه و با هزینه ۴.۲۴ دلار کشف کرده است. این هزینه در مقایسه با ۳۵۰ دلار و ۲۵ ساعت در فوریه، کاهش چشمگیری را نشان میدهد. این روند کاهش هزینه همجهت است با سقوط رشد هزینه AI از ۴۲٪ به ۱.۵٪ و نصفشدن ارزشیابی Anthropic که مانع ورود را برای هر دو طرف حمله و دفاع پایین آورده است. GPT-6 Sol در این تست V8 را در ۱۳ دقیقه شکست، در حالی که GPT-6 Cyber در ExploitGym رکورد ۴۸.۵٪ امتیاز ثبت کرده و نرخ هکِ بیقانون را زیر ۱٪ آورده است.

نحوه ساختاردهی محک
- هفت مدل ارزیابی شده: دو مدل از OpenAI (GPT-5.6 Sol، GPT-6 Sol)، سه مدل از Anthropic (شامل Claude Opus 5)، دو مدل باز (DeepSeek، Z.ai).
- همه مدلها منتشرشده در فوریه ۲۰۲۶ یا بعد — هیچکدام CVE هدف را در دادههای آموزشی نداشتند.
- هدف: CVE-2026-102321، یک باگ نوعدرهمریختگی در Google V8 منجر به اجرای کد از راه دور.
- محدوده: محدود به مجموعهای تعریفشده از فایلهای منبع، شامل فایل آسیبپذیر.
- وظیفه: به هر مدل دستور داده شد تا در فایلهای ارائهشده به دنبال مسائل امنیتی بگردد.
- زمانبندی ردیابی شده: خط پایه فوریه، میانی جولای، نهایی سپتامبر.
- افشای خصوصی: محقق Xint تایسیک یون باگ را پیش از تست به Google VRP گزارش داد.

نتایج مدلبهمدل
- GPT-6 Sol (سپتامبر): اولین پرامپت راهنمایی، ۴.۲۴ دلار، ۱۳ دقیقه — موفق
- GPT-5.6 Sol (جولای): دو پرامپت راهنمایی، ۲۲ دلار، ۴۴ دقیقه — موفق
- Claude Opus 5: اولین پرامپت راهنمایی، ۴۳.۴۰ دلار — موفق اما پرهزینهتر
- DeepSeek (باز): ناکام در یافتن آسیبپذیری
- Z.ai (باز): ناکام در یافتن آسیبپذیری
- دو مدل دیگر Anthropic (نامگذاری نشده): ناکام
- پرامپتهای راهنمایی لازم: برخی مدلها برای موفقیت به تکرار پرامپت نیاز داشتند که زمان و هزینه را افزایش داد.
- مسیر هزینه: ۳۵۰ دلار (فبریه) → ۲۲ دلار (جولای) → ۴.۲۴ دلار (سپتامبر) برای بهترین اجرا.

اقتصاد توکن در حال رانندگی دسترسی
- میانگین افت هزینه توکن: حدود ۴۷ درصد در هر سهماهه از سال ۲۰۲۳.
- آخرین افت ماهانه: ۱۵ درصد در ماه اخیر اندازهگیریشده.
- محرکها: رقابت شدید میان OpenAI، Anthropic و سایر آزمایشگاههای مرزی.
- اثر: کاهش مانع ورود برای هر دو طرف دفاع و حمله.
- هشدار محققان: «هکرهای متوسط» (mediocre hackers) اکنون میتوانند از مدلهای مرزی بهصورت موثر استفاده کنند.
- محدودیت: «هنوز دور از هکرهای کاملاً تازهکار که از مدلهای بدون مهار برای هک سیستمها استفاده کنند.»
- تغییر: آنچه برای هکرهای متوسط «بسیار سخت و پرهزینه» بود، اکنون «دستیافتنی» شده است.

پیامدها برای دفاع
- تیمهای امنیتی میتوانند همان مدلها را برای حسابرسی داخلی بکار گیرند — مانعی وجود ندارد.
- حسابرسی کد با کمک هوش مصنوعی زاینده دیگر قابل تعویق نیست — نمیتوان آن را به بازبینی بودجه سال بعد موکول کرد.
- اولویت اسکن داخلی: سرویسهای عمومی، اجزای زنجیره تأمین دیجیتالی که سالها حسابرسی نشدهاند، و کدهای ارثی.
- واقعیت صفرروز: آسیبپذیری ناشناس برای فروشندگان؛ یامہها ممکن است در زمان سوءاستفاده وجود نداشته باشند.
- نقش هوش مصنوعی: دفاعندگان را برای وظایف نیازمند قضاوت انسانی آزاد میکند، جایگزین نمیکند.
- کنترلهای ضروری باقی میمانند: دسترسی صفر اعتماد، قطعهبندی شبکه، نظارت نقطه پایانی برای رفتار مشکوک.
- تخصص همچنان مهم است: دستوردهی موثر به مدلها نیازمند مهارت فنی است.
- نقلقول: «نقشهبرداری نرمافزاری همچنان نیازمند سطحی از تخصص فنی است، اما دیگر نیازی به تخصصِ اوجِ توزیع نیست.»
سازمانها دیگر نمیتوانند کشف آسیبپذیری با کمک هوش مصنوعی را به عنوان یک ریسک تئوریتی آینده تلقی کنند — این یک واقعیت عملیاتی فوری است. همان اقتصاد، تیمهای دفاعی که مایل به اقدام فوری هستند را در اولویت قرار میدهد. گروههای امنیتی میتوانند مدلهای یکسان را برای حسابرسی سرویسهای عمومی، اجزای زنجیره تأمین بدون حسابرسی، و کدهای ارثی پیش از مهاجم مستقر کنند.
قطعهبندی صفر اعتماد، نظارت نقطه پایانی، و تریاژ با انسان در حلقه ضروری باقی میمانند؛ هوش مصنوعی دفاعندگان را برای وظایف نیازمند قضاوت آزاد میکند، نه جایگزینی. رهبران امنیتی باید در این فصل یک پایلوت حسابرسی کد با کمک هوش مصنوعی بر روی داراییهای بیشترین تعرض راهاندازی کنند و معیار هزینهبهازای-یافتن را در برابر بنچمارک ۴ دلاری ردیابی کنند. چرخه ارزیابی بعدی Xint نشان خواهد داد که آیا مدلهای وزنباز (open-weight) میتوانند شکاف را با سیستمهای مرزی ببندند. چرخه ارزیابی بعدی Xint نشان خواهد داد که آیا مدلهای وزنباز میتوانند شکاف را با سیستمهای مرزی ببندند، همانطور که آزمایشگاههای Vals نشان دادند مدلهای باز به سطح بسته رسیدهاند.




گفتگو