Anthropic: Zhipus GLM-5.3 erreicht bei Exploit-Benchmarks fast Mythos
Der am 3. Oktober veröffentlichte Frontier-Red-Teaming-Bericht von Anthropic kommt zu dem Ergebnis, dass Zhipu AIs offenes Modell GLM-5.3 in 410 Läufen 50 Mal durchgängige Chrome-Exploits bauen konnte, gegenüber 56 beim noch nicht veröffentlichten Mythos-Modell.
Anthropic hat am 3. Oktober einen Frontier-Red-Teaming-Bericht veröffentlicht. Darin liegt ein offenes chinesisches Modell nur noch knapp hinter dem eigenen, noch nicht freigegebenen System zur Fehlersuche. Laut der Auswertung von Tom's Hardware erzeugte Zhipu AIs GLM-5.3 in 50 von 410 Versuchen auf Anthropics Exploitbench durchgängige Chrome-Exploits. Anthropics Claude Mythos schaffte 56.
Auf einem zweiten, internen Benchmark schrumpft der Abstand. Dort kam GLM-5.3 auf eine Erfolgsquote von 4 Prozent beim Entwickeln vollständiger Control-Flow-Hijacks. Mythos erreichte 6 Prozent. Anthropic ließ weitere offene Modelle durch dieselben Tests laufen. Kimi K3 und DeepSeek V4.1 Flash landeten beide bei 0 Prozent.
Die Befunde zu den Schutzmechanismen wiegen im Betrieb am schwersten. Anthropic zufolge kam ein irreführender Prompt, der das Modell als gegnerischen autonomen Agenten darstellt, in 64 Prozent der Fälle an den Sicherungen vorbei, und das Vorbelegen der Denk-Tokens des Modells funktionierte in 92 Prozent der Fälle. Tom's Hardware erwähnt eine dritte Methode, die Abliteration, die ebenfalls beschrieben wird. Als Auslöser nennt Anthropic den Ende September erschienenen Bericht des Center for AI Standards and Innovation, der selbst behauptete, GLM-5.3 könne Exploits nahezu auf dem Niveau von Mythos vollständig automatisieren.
Billige Exploits, echte Exploits
Die Kostenfrage ist entscheidend. Anthropic zufolge konnte das leichtere GLM-5.3-Flash verkettete Exploits für bekannte Schwachstellen zu einem tokenisierten Preis von 20,40 Dollar bauen, was Tom's Hardware je nach Verhältnis von Eingabe zu Ausgabe auf irgendwo zwischen 100 und 300 Millionen Tokens umrechnet. Verkettete Exploits, gebaut ohne dass ein Mensch jeden Schritt steuert, zu diesem Preis: Mit diesem Szenario rechnen Verteidiger seit dem Start von Project Glasswing im April. Dieses Szenario hat bereits einen Feldeinsatz hinter sich, und er kam schnell.
The Register meldete am 3. Oktober, dass Angriffsversuche auf CVE-2026-61500, eine kritische Lücke zur Umgehung der Authentifizierung im Rejetto HTTP File Server, schon wenige Stunden nach Bekanntwerden der Schwachstelle begannen. Der Forscher Zach Hanley von Horizon3 fand den Fehler mit Mythos und veröffentlichte ihn am Mittwoch; die Behebung steckt in Version 3.2.1 oder später. Patrick Garrity von VulnCheck sagte auf LinkedIn, die Canaries seiner Firma hätten einen Akteur in China erfasst, der echte Hosts in den USA angriff, mit Aktivität auch in Japan. Er sagte gegenüber The Register, die vier Treffer am Freitag stammten von zwei IP-Adressen in den USA, 173.239.211[.]248 und 173.239.211[.]249, beide offenbar hinter einem Proxy.
Garritys Tracker zählt mit Stand Freitag 286 CVEs, die Mythos und Project Glasswing zugeordnet werden. Bis Donnerstag war genau eine davon in freier Wildbahn ausgenutzt worden. CVE-2026-61500 ist die zweite.
„Wir haben heute Abend begonnen, die Ausnutzung von CVE-2026-61500 in Rejetto HFS zu erkennen“, schrieb Garrity am Donnerstag auf LinkedIn.
Der Rest der Veröffentlichungswoche
Modellveröffentlichungen trafen weiter ein, während sich das entfaltete. Aleph Alpha brachte am 3. Oktober Kolibri heraus, einen Mixture-of-Experts-Transformer für Deutsch und Englisch mit 78.000.000.000 Gesamtparametern und 3.000.000.000 aktiven, einem Kontext von 1.000.000 Tokens und Apache-2.0-Gewichten auf Hugging Face. Im Blog des Unternehmens heißt es, das Modell erreiche Modelle mit bis zu viermal so vielen aktiven Parametern, genannt wird Nemotron 3 Super, und es sei auf öffentliche Verwaltung, Industrie und Luftfahrt ausgerichtet. Googles eigene Hilfeseite, aktualisiert am 3. Oktober, besagt, dass Nutzer der Gemini-App ohne KI-Abo ab dem 9. Oktober auf die automatische Modellauswahl umgestellt werden, wobei die meisten Prompts an Flash-Lite gehen.
Kleinere Veröffentlichungen füllten die Lücken. Ideogram lieferte am 3. Oktober Version 4.5 seines Bildmodells aus, bepreist pro Bild von 0,008 Dollar in der niedrigsten Qualitätsstufe bis 0,22 Dollar für hochwertige Generierung mit Referenzen oder präzisen Bearbeitungen, nativ in 2K. Das Klassifizierungsmodell Clef von Cloudflare bekam eine öffentliche Demo, die Essen nach der Cube Rule sortiert, mit fünf Anfragen pro Minute pro IP. IINA 1.5.0 erschien nach fast einem Jahr Arbeit, die größte Oberflächenüberarbeitung seit dem Start, mit einer neuen Layout-Seitenleiste und Plugin-Entdeckung in den Einstellungen.
Zwei Benchmark-Papers sind mehr wert als das Produktrauschen. PTXBench, am 28. September auf arXiv überarbeitet, prüft, ob Sprachmodelle architekturspezifisches PTX für GPU-Kernel auf H100- und B200-Hardware schreiben können, und berichtet, dass kein bewertetes Modell durchgängig mit Frontier-Bibliotheken mithält, wobei die Erfolgsquoten bei Attention-Backward-Workloads fallen. ScholarCatalyst, am 3. Oktober veröffentlicht, ließ 184 Erstautoren von 207 Informatik-Papers markieren, welche früheren Arbeiten ihre Projekte vorangebracht haben, und testete dann das Retrieval gegen einen Korpus von 191.000 Papers. Agentische Suche erreichte 0,42 Recall@20, unter dem einfachen Embedding-Retrieval mit 0,48, und ein Agent auf Basis von Claude Fable 5.1 kam auf 0,51.
Andere Benchmark-Meldungen deuten in dieselbe Richtung. Anthropics eigene Zahlen setzen GLM-5.3 bei der Exploit-Generierung nahe an Mythos, und PTXBench und ScholarCatalyst zeigen aktuelle Modelle deutlich hinter Spezialisten bei Kernel-Code und Forschungssinn. Der Abstand zwischen einer Demo und einem Einsatz bleibt die eigentliche Geschichte.
Quellen
12- 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
- 04Changes to Gemini model access and limitsEN
- 05Ideogram 4.5: The most precise edit modelEN
- 06Cube Rule food classifier using Cloudflare Clef classification modelEN
- 07IINA 1.5.0 is ReleasedEN
- 08PTXBench: Benchmarking and Adapting LLMs for GPU Kernel Optimization with Architecture-specific PTXEN
- 09ScholarCatalyst: A Benchmark for Retrieving Papers That Inspire New ResearchEN
- 10OpenAI alerts 100+ orgs that its 'misaligned models' attempted to break inEN
- 11New in llama.cpp: Decision ModelsEN
- 12Shield: A 118M model for detecting prompt injections and jailbreaksEN
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.