Anthropic chiffre le piratage par IA : GLM-5.3 réussit 50 exploits, Mythos 56
Le nouveau rapport d'Anthropic sur le red-teaming des modèles de pointe affirme que GLM-5.3, le modèle à poids ouverts de Zhipu AI, sait construire des exploits de bout en bout dans 50 cas sur 410, juste derrière le modèle maison Mythos, non publié, à 56, selon Tom's Hardware.

Anthropic a publié cette semaine un rapport qui défend une idée simple : un modèle chinois à poids ouverts très répandu sait faire une bonne partie de ce que fait son propre modèle de recherche de failles, lui fermé. Tom's Hardware rapporte le 3 octobre que l'entreprise a testé GLM-5.3 de Zhipu AI dans un banc d'essai isolé baptisé Exploitbench, où les modèles tentent de construire des exploits fonctionnels pour Google Chrome.
GLM-5.3 a réussi 50 fois sur 410 exécutions. Claude Mythos, le modèle d'Anthropic, en a réussi 56 pour le même nombre de tentatives. L'écart atteint sept points de pourcentage au maximum. Le rapport met un chiffre sur une inquiétude que les régulateurs répètent depuis des mois : une capacité qu'Anthropic garde derrière une porte fermée se télécharge déjà.
Les mêmes tests montrent que l'écart n'est pas uniforme. Sur un banc d'essai interne consacré aux « détournements complets du flux de contrôle », GLM-5.3 obtient un taux de réussite de 4 % contre 6 % pour Mythos. Deux autres modèles à poids ouverts, Kimi K3 et DeepSeek V4.1 Flash, obtiennent 0 % sur cette mesure, toujours selon le rapport.
Les garde-fous forment l'autre moitié de la démonstration. Tom's Hardware rapporte qu'Anthropic a contourné les protections de GLM-5.3 avec un prompt trompeur dans 64 % des tentatives, et avec des jetons de raisonnement préremplis dans 92 %. Une troisième méthode, l'abliteration, est également décrite. Anthropic cite un rapport de fin septembre du Center for AI Standards and Innovation, qui conclurait que GLM-5.3 peut automatiser entièrement des exploits à un niveau proche de Mythos.
Le coût est le point le plus concret. Anthropic indique que GLM-5.3-Flash, la version allégée, a construit des exploits chaînés sur des failles connues pour 20,40 dollars de jetons. Un exploit chaîné enchaîne plusieurs failles, et c'est la différence entre une preuve de concept et une intrusion.
Pourquoi la comparaison avec Mythos compte
Mythos n'est pas accessible au public. Anthropic en ouvre l'accès à certains partenaires via Project Glasswing, une initiative annoncée en avril. L'argument avancé : les défenseurs disposent du modèle en premier, ce qui laisse le temps de corriger les failles avant que les attaquants aient le même outil.
Les chiffres ci-dessus fragilisent ce calendrier. Si un modèle ouvert à 20,40 dollars sait chaîner des exploits, la fenêtre entre la découverte et l'abus est courte. Ni Anthropic ni Zhipu AI n'ont dit comment le rapport changerait les règles d'accès, et Zhipu AI n'a pas répondu publiquement aux affirmations précises du banc d'essai.
Le camp défensif a ses propres éléments. The Register rapporte le 3 octobre qu'une faille critique de contournement d'authentification dans Rejetto HTTP File Server, suivie sous la référence CVE-2026-61500, a été trouvée avec Mythos puis exploitée dans la nature en quelques jours. Zach Hanley, chercheur chez Horizon3 et découvreur de la faille, a publié une vidéo de l'exploit. Les utilisateurs doivent passer à la version v3.2.1 ou ultérieure.
« Nous avons commencé à détecter l'exploitation de CVE-2026-61500 dans Rejetto HFS ce soir », a écrit Patrick Garrity, chercheur chez VulnCheck, sur LinkedIn jeudi, selon The Register.
Garrity a déclaré à The Register que l'activité de jeudi venait d'une adresse IP en Chine et visait des hôtes vulnérables aux États-Unis et au Japon. Vendredi, il avait relevé quatre requêtes provenant de deux adresses américaines du même sous-réseau, qu'il présentait comme un proxy. Son compteur recense 286 CVE trouvées par Mythos et Project Glasswing ; jusqu'à ce jeudi, une seule avait été exploitée.
Voilà le repère qui compte davantage que n'importe quel score. Un modèle qui trouve des failles plus vite que les éditeurs ne les corrigent transfère le risque sur quiconque fait tourner un logiciel non mis à jour, et HFS figurait déjà en 2024 au catalogue des vulnérabilités exploitées connues de la CISA.
Raisonner n'est pas décider
Le problème de la mesure traverse le reste des sorties IA de la semaine. Aleph Alpha a publié Kolibri le 3 octobre, un modèle à mélange d'experts de 78 000 000 000 de paramètres dont 3 000 000 000 actifs, avec un contexte de 1 000 000 de jetons et des poids sous Apache 2.0. L'entreprise affirme égaler des modèles comptant jusqu'à quatre fois plus de paramètres actifs, comme Nemotron 3 Super, et reconnaît que les bancs d'essai publics manquent les besoins sectoriels, d'où la construction de ses propres tests.
Des outils plus petits visent des questions plus étroites. Le projet llama.cpp a ajouté le 2 octobre un point d'accès de modèle de décision, selon un billet de la communauté Hugging Face signé Xuan-Son Nguyen et Victor Mustar. Il renvoie une probabilité pour chaque option en une seule passe avant. ZeroLeaks a publié Shield Small, un classifieur de 118 000 000 de paramètres contre l'injection de prompt, avec une précision moyenne équilibrée par catégorie de 84,3 % grâce à ses règles, un chiffre que sa propre fiche qualifie de jeu de test connu et non d'évaluation sur données inédites.
Les bancs d'essai de recherche montrent la même irrégularité. Un article sur arXiv, révisé le 28 septembre, présente PTXBench pour le travail sur les noyaux GPU. Aucun modèle évalué n'a égalé régulièrement les bibliothèques de pointe, et les réussites chutaient sur les charges complexes de rétropropagation d'attention. ScholarCatalyst, un banc d'essai de recherche documentaire construit à partir de 184 auteurs principaux et 207 articles, a mesuré une recherche agentique à 0,42 de Recall@20 contre 0,48 pour une recherche par plongement simple.
Ces résultats équilibrent utilement les comptages d'exploits. Un modèle peut paraître solide sur une tâche et banal sur la suivante, et le banc d'essai choisi décide du titre. Le rapport d'Anthropic n'a pas été reproduit indépendamment, et la configuration d'Exploitbench est celle de l'entreprise.
Sources
8- 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
- 06PTXBench: Benchmarking and Adapting LLMs for GPU Kernel OptimizationEN
- 07ScholarCatalyst: A Benchmark for Retrieving Papers That Inspire New ResearchEN
- 08What does the advent of powerful AI models mean for mathematicians like me?EN
Tous les chiffres et citations de ce texte proviennent des sources citées ci-dessous.
Les contenus ont été préparés par l'équipe de rédaction, assistée par l'IA.
Commentaires
0- Aucun commentaire — soyez le premier.