Anthropic testet Zhipus GLM-5.3 und findet Exploit-Fähigkeiten nahe am eigenen Mythos
Zhipu AIs offenes Modell GLM-5.3 hat in 410 Versuchen 50 funktionierende Chrome-Exploits gebaut. Das eigene, nicht veröffentlichte Modell Mythos kam auf 56, wie ein Bericht zeigt, den Tom's Hardware am 3. Oktober aufgriff.

Das chinesische Modell liegt laut Anthropic nicht weit zurück. In Anthropics Exploitbench, einem Test in abgeschotteter Umgebung, in dem Modelle Exploits für Google Chrome entwickeln sollen, gelangen GLM-5.3 in 410 Läufen 50 Treffer. Mythos kam auf 56. Tom's Hardware berichtete die Zahlen am 3. Oktober.
Weniger wichtig als der Abstand ist die Richtung. Anthropic argumentiert seit Monaten, Mythos sei zu gefährlich für eine Veröffentlichung. Deshalb läuft Project Glasswing, ein Programm, das ausgewählten Partnern ein Modell der Mythos-Klasse zur Fehlersuche gibt. Der Bericht sagt nun, ein frei herunterladbares Modell komme bis auf wenige erfolgreiche Läufe an diese Fähigkeit heran. Anthropic testete GLM-5.3 außerdem auf einem internen Benchmark für vollständige Control-Flow-Hijacks. Dort erreichte es eine Erfolgsquote von 4 Prozent, Mythos 6 Prozent. Kimi K3 und DeepSeek V4.1 Flash kamen auf derselben Messung auf 0 Prozent. Der Bericht sagt nicht, wie viel von dem Unterschied bleibt, wenn Verteidiger schneller patchen. Offen bleibt auch, ob die Zahlen außerhalb von Anthropics eigener Testumgebung gelten.
Billig ist die andere Hälfte der Behauptung.
Anthropic zufolge entwickelte GLM-5.3-Flash, die leichtere Variante, verkettete Exploits gegen bekannte Fehler für eine Token-Rechnung von 20,40 Dollar. Je nach Verhältnis von Eingabe zu Ausgabe kauft das irgendwo zwischen 100 und 300 Millionen Token. Verkettete Exploits sind schwieriger als einzelne Fehler, weil jeder Schritt vom vorigen abhängt. Ein Modell, das das zum Preis eines Imbisses schafft, verändert, wer es überhaupt versuchen kann.
Leitplanken, die mit einem Prompt abfallen
Anthropic testete auch, wie leicht sich GLM-5.3 an seinen eigenen Schutzmechanismen vorbeilenken lässt. Der Bericht nennt zwei funktionierende Methoden. Ein täuschender Prompt, der das Modell als gegnerischen autonomen Agenten ausgibt, hatte 64 Prozent Erfolg. Das Vorbelegen der Denk-Token, sodass eine Antwort schon läuft, bevor das Modell entscheidet, funktionierte in 92 Prozent der Fälle. Eine dritte Methode, Abliteration, die das Verweigerungsverhalten aus den Gewichten entfernt, wird im Bericht ebenfalls beschrieben. Anthropic verweist auf eine Einschätzung des Center for AI Standards and Innovation von Ende September. Sie kam zur Fähigkeit von GLM-5.3, Exploits zu automatisieren, zum selben Schluss. Nichts davon ist ein Befund über einen Fehler, den Zhipu eingeräumt hätte. Zhipu hat in der verfügbaren Berichterstattung öffentlich nicht reagiert.
Der Zeitpunkt ist für Anthropic unangenehm. Tom's Hardware merkt an, dass Vorstandschef Dario Amodei die Branche aufgefordert hat, das Tempo an der Frontier zu drosseln. Claude Opus 5.5 und Claude Sonnet 5.5 erschienen Tage nach diesen Aufrufen. Das Unternehmen soll außerdem einen Börsengang erwägen. Ein Bericht, der sagt, offene Konkurrenzmodelle holten auf, dient beiden Argumenten: Er rechtfertigt, Mythos geschlossen zu halten, und er spricht für Regeln, die auch alle anderen binden würden.
Mythos-Fehler werden inzwischen live ausgenutzt
Die Sorge ist nicht hypothetisch. The Register berichtete am 3. Oktober, dass eine kritische Authentifizierungslücke in Rejetto HTTP File Server, geführt als CVE-2026-61500, mit Mythos gefunden wurde und bereits angegriffen wird. Der Forscher Zach Hanley von Horizon3 sagte, er habe das Modell genutzt, um den Fehler aufzudecken. Er kann vollen Admin-Zugriff und Remote-Code-Ausführung ermöglichen. Nutzer sollten auf v3.2.1 oder neuer aktualisieren.
Der VulnCheck-Forscher Patrick Garrity sagte, seine Firma habe am Donnerstagabend begonnen, Ausnutzung zu erkennen. Die ersten Aktivitäten kamen von einer IP-Adresse in China und zielten auf anfällige Hosts in den USA und Japan. Bis Freitag, so Garrity gegenüber The Register, kamen vier weitere Treffer von zwei Adressen in den USA, die ein Proxy zu sein scheinen. Sein Tracker zählt 286 CVEs, die Mythos und Project Glasswing gefunden haben. Bis Donnerstag war nur einer davon in echten Angriffen ausgenutzt worden.
"We started detecting exploitation of CVE-2026-61500 in Rejetto HFS this evening," schrieb Garrity am Donnerstag auf LinkedIn, laut The Register.
Horizon3 ist Project Glasswing im Juli beigetreten und nutzt Mythos seitdem in der eigenen Schwachstellenforschung, schrieb Hanley. Das ist der vorgesehene Zweck: ein Modell, das Fehler findet, damit Menschen sie zuerst patchen können. Der Fall Rejetto zeigt, wie kurz dieser Vorsprung sein kann, wenn ein öffentlicher Bericht und ein funktionierendes Exploit-Video gleichzeitig erscheinen.
Unterdessen erscheinen weiter offene Gewichte
Anthropics Argument trifft auf eine volle Woche mit Modellveröffentlichungen. Aleph Alpha veröffentlichte Kolibri am 3. Oktober, einen englisch-deutschen Mixture-of-Experts-Transformer mit 78 Milliarden Parametern insgesamt und 3 Milliarden aktiven, einem Kontextfenster von bis zu 1 Million Token und Gewichten auf Hugging Face unter Apache 2.0. Das Unternehmen positioniert es für öffentliche Verwaltung, Industrie und Luftfahrt, wo Daten das Haus nicht verlassen dürfen. Aleph Alpha zufolge erreicht Kolibri bei Mathe, Coding, Grounding und Langkontext-Aufgaben Modelle mit bis zu viermal so vielen aktiven Parametern wie es selbst, etwa Nemotron 3 Super.
Kleinere Veröffentlichungen zeigen dasselbe Muster der Spezialisierung. llama.cpp ergänzte am 2. Oktober einen /v1/systemone-Endpunkt für Entscheidungsmodelle, von einem Julia-1 bis zum 27 Milliarden großen OpenJev. ZeroLeaks veröffentlichte Shield Small am 2. Oktober, einen Klassifikator mit 118 Millionen Parametern für Prompt-Injection und Jailbreak-Erkennung, der auf einer CPU mit 118 MB int8-Gewichten läuft. Der veröffentlichte Vergleich, gefahren mit Shield rules v2 bei einer Schwelle von 0,5, meldet 84,3 Prozent mittlere kategoriebalancierte Genauigkeit, 71,8 Prozent Attack-Recall und 7,2 Prozent Falsch-Positiv-Rate über 35 öffentliche Datensätze. Das sind Systemergebnisse, keine Werte für das Modell allein.
Bildmodelle ziehen im selben Takt nach. Ideogram startete Version 4.5 am 3. Oktober, ausgerichtet auf mehrstufige Bearbeitung in nativer 2K-Auflösung, mit festen Preisen pro Bild von 0,008 bis 0,22 Dollar je nach Qualitätsstufe. Googles Gemini-Hilfeseiten sagen, dass Änderungen am Modellzugang für Privatkonten ab dem 9. Oktober greifen. Die automatische Modellauswahl wird für Nutzer ohne Bezahltarif zum Standard, und die meisten Prompts gehen an Flash-Lite.
Benchmarks bekommen ihre eigene Realitätsprüfung
Die schwierigere Frage ist, was diese Zahlen überhaupt messen. PTXBench, überarbeitet am 28. September, prüft, ob Sprachmodelle architekturspezifischen PTX-Code für GPU-Kernel schreiben können. Die Autoren fanden, dass die Erfolgsquoten bei komplexen Attention-Backward-Workloads stark fallen. Das Ausführen der Zielbefehle führt nicht zwingend zu wettbewerbsfähiger Geschwindigkeit. Kein getestetes Modell erreichte durchgängig das Niveau der Frontier-Bibliotheken.
Die Recherche zu früheren Arbeiten zeigt dieselbe Obergrenze aus einem anderen Blickwinkel. ScholarCatalyst, aufgebaut aus Labels von 184 Erstautoren von 207 aktuellen Informatik-Papers, ließ Modelle die Vorarbeiten finden, die ein Projekt geprägt haben. Erlaubt war nur Literatur, die es zum Projektstart gab. Agentische Suche war nicht besser als reines Embedding-Retrieval, mit 0,42 gegen 0,48 Recall@20. Selbst ein Agent auf Basis von Claude Fable 5.1 kam nur auf 0,51.
Anthropics eigene Rahmung lädt zur Skepsis ein. Ein Unternehmen, das geschlossene Modelle verkauft, veröffentlicht Benchmarks, die offene Modelle gefährlich aussehen lassen, mit Tests, die es selbst entworfen hat und selbst fährt. Die Exploitbench-Zahlen sind konkret und im Prinzip reproduzierbar. Ob GLM-5.3 für einen Angreifer so nützlich ist, wie eine Trefferquote von 50 aus 410 nahelegt, hängt an Dingen, die der Bericht nicht misst. Wie oft funktioniert der Exploit außerhalb einer Sandbox? Wie schnell wird das Ziel gepatcht? Braucht das Modell einen Menschen, der es auf den richtigen Fehler zeigt?
Öffentlich und überprüfbar ist weniger. Ein von Mythos gefundener Fehler wird ausgenutzt. Ein chinesisches Modell mit offenen Gewichten erreicht in Anthropics Tests fast Mythos. Und der Veröffentlichungskalender für offene Gewichte ist nicht langsamer geworden.
Quellen
9- 01Anthropic claims popular Chinese AI model has Mythos-class hacking abilitiesEN
- 02Anthropic's super bug-hunting model Mythos is hardcore good at math, as latest vuln under attack showsEN
- 03Kolibri Has Landed: A Sovereign Open-Weight ModelEN
- 04New in llama.cpp: Decision ModelsEN
- 05Shield: A 118M model for detecting prompt injections and jailbreaksEN
- 06Ideogram 4.5: The most precise edit modelEN
- 07Changes to Gemini model access and limitsEN
- 08PTXBench: Benchmarking and Adapting LLMs for GPU Kernel OptimizationEN
- 09ScholarCatalyst: A Benchmark for Retrieving Papers That Inspire New ResearchEN
Alle Zahlen und Zitate in diesem Text stammen aus den unten genannten Quellen.
Die Materialien wurden vom Redaktionsteam mit Unterstützung von KI erstellt.
Kommentare
0- Noch keine Kommentare — seien Sie der Erste.