Anthropic teste le GLM-5.3 de Zhipu et lui trouve des capacités d'exploitation proches de son Mythos
Anthropic affirme que GLM-5.3, le modèle à poids ouverts de Zhipu AI, a produit des exploits Chrome fonctionnels 50 fois en 410 tentatives. Son propre Mythos, non publié, en est à 56, selon un rapport que Tom's Hardware a relayé le 3 octobre.

Le modèle chinois n'est pas un second lointain, écrit Anthropic. Dans Exploitbench, un test en bac à sable où les modèles doivent développer des exploits pour Google Chrome, GLM-5.3 a réussi 50 fois en 410 exécutions. Mythos en a réussi 56. Tom's Hardware a rapporté ces chiffres le 3 octobre.
L'écart pèse moins que la trajectoire. Depuis des mois, Anthropic soutient que Mythos est trop dangereux pour être publié. D'où Project Glasswing, un programme qui ouvre un modèle de classe Mythos à des partenaires choisis pour la chasse aux bugs. Le rapport affirme désormais qu'un modèle que chacun peut télécharger arrive à quelques exécutions réussies de cette capacité. Anthropic a aussi testé GLM-5.3 sur un benchmark interne de détournement complet de flux de contrôle. Le modèle y obtient 4 % de réussite, contre 6 % pour Mythos. Kimi K3 et DeepSeek V4.1 Flash sont tous deux à 0 % sur le même critère. Le rapport ne dit pas quelle part de l'écart subsiste quand les défenseurs corrigent plus vite. Il ne dit pas non plus si les chiffres tiennent en dehors du banc d'essai maison.
Le prix est l'autre moitié de l'argument.
Anthropic indique que GLM-5.3-Flash, la variante allégée, a développé des exploits en chaîne contre des bugs connus pour une facture de 20,40 dollars de tokens. Selon le ratio entrée-sortie, cela représente entre 100 et 300 millions de tokens. Les exploits en chaîne sont plus difficiles que les bugs isolés, car chaque étape dépend de la précédente. Un modèle capable d'y parvenir pour le prix d'un repas à emporter change le cercle de ceux qui peuvent essayer.
Des garde-fous qui sautent avec un prompt
Anthropic a également testé la facilité avec laquelle on détourne GLM-5.3 de ses propres protections. Le rapport décrit deux méthodes efficaces. Un prompt trompeur qui présente le modèle comme un agent autonome adverse a réussi 64 % du temps. Le préremplissage des tokens de raisonnement, qui place une réponse en cours avant que le modèle ne décide, a marché 92 % du temps. Une troisième méthode, l'abliteration, qui retire des poids le comportement de refus, est aussi décrite. Anthropic cite une évaluation de fin septembre du Center for AI Standards and Innovation, parvenue à la même conclusion sur la capacité de GLM-5.3 à automatiser des exploits. Rien de tout cela ne porte sur un défaut que Zhipu aurait reconnu. Zhipu n'a pas répondu publiquement dans la couverture disponible.
Le calendrier gêne Anthropic. Tom's Hardware note que son directeur général, Dario Amodei, a appelé l'industrie à ralentir la frontière. Claude Opus 5.5 et Claude Sonnet 5.5 sont sortis quelques jours après ces appels. L'entreprise envisagerait par ailleurs une introduction en bourse. Un rapport qui dit que les rivaux à poids ouverts rattrapent leur retard sert les deux arguments : il justifie de garder Mythos fermé et plaide pour des règles qui lieraient aussi tous les autres.
Les bugs trouvés par Mythos sont désormais exploités dans la nature
L'inquiétude n'est pas hypothétique. The Register rapportait 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 et fait déjà l'objet d'attaques. Zach Hanley, chercheur chez Horizon3, a déclaré avoir utilisé le modèle pour découvrir le bug, qui peut mener à un accès administrateur complet et à l'exécution de code à distance. Les utilisateurs doivent passer à la version v3.2.1 ou ultérieure.
Patrick Garrity, chercheur chez VulnCheck, a indiqué que son entreprise avait commencé à détecter l'exploitation jeudi soir. L'activité initiale venait d'une adresse IP en Chine visant des hôtes vulnérables aux États-Unis et au Japon. Vendredi, Garrity a confié à The Register que quatre autres frappes venaient de deux adresses aux États-Unis, qui semblent être un proxy. Son outil de suivi compte 286 CVE trouvées par Mythos et Project Glasswing. Jusqu'à jeudi, une seule avait été exploitée lors d'attaques réelles.
« Nous avons commencé à détecter l'exploitation de CVE-2026-61500 dans Rejetto HFS ce soir », a écrit Garrity sur LinkedIn jeudi, selon The Register.
Horizon3 a rejoint Project Glasswing en juillet et utilise Mythos dans ses propres recherches de vulnérabilités depuis, écrit Hanley. C'est l'usage prévu : un modèle qui trouve les bugs pour que les humains les corrigent en premier. Le cas Rejetto montre à quel point cette avance peut être courte quand une publication publique et une vidéo d'exploit fonctionnel arrivent en même temps.
Pendant ce temps, les publications à poids ouverts continuent
L'argument d'Anthropic tombe dans une semaine chargée en sorties de modèles. Aleph Alpha a publié Kolibri le 3 octobre, un transformeur à mélange d'experts anglais-allemand de 78 000 000 000 de paramètres au total et 3 000 000 000 actifs, avec une fenêtre de contexte allant jusqu'à 1 000 000 de tokens, et des poids sur Hugging Face sous Apache 2.0. L'entreprise le destine à l'administration publique, à l'industrie et à l'aérospatiale, où les données ne peuvent pas sortir des murs. Aleph Alpha affirme que Kolibri égale des modèles comptant jusqu'à quatre fois son nombre de paramètres actifs, comme Nemotron 3 Super, sur les mathématiques, le code, l'ancrage et les tâches à contexte long.
Des sorties plus petites montrent le même schéma de spécialisation. llama.cpp a ajouté un point d'accès /v1/systemone pour les modèles de décision le 2 octobre, couvrant des modèles allant de Julia-1 à OpenJev 27 000 000 000. ZeroLeaks a publié Shield Small le 2 octobre, un classifieur de 118 000 000 de paramètres pour la détection d'injection de prompt et de jailbreak, qui tourne sur un processeur avec 118 Mo de poids int8. Sa comparaison publiée, menée avec Shield rules v2 à un seuil de 0,5, rapporte une précision moyenne équilibrée par catégorie de 84,3 %, un rappel d'attaque de 71,8 % et un taux de faux positifs de 7,2 % sur 35 jeux de données publics. Ce sont des résultats système, pas les scores du modèle seul.
Les modèles d'image avancent au même rythme. Ideogram a lancé la version 4.5 le 3 octobre, présentée pour l'édition multi-tours en résolution native 2K, avec un prix fixe par image de 0,008 à 0,22 dollar selon le niveau de qualité. Les pages d'aide de Gemini de Google indiquent que les changements d'accès aux modèles pour les comptes personnels entrent en vigueur le 9 octobre. La sélection automatique du modèle devient le choix par défaut pour les utilisateurs sans offre payante, et la plupart des prompts sont dirigés vers Flash-Lite.
Les benchmarks subissent leur propre retour à la réalité
La question plus difficile est de savoir ce que mesurent ces chiffres. PTXBench, révisé le 28 septembre, vérifie si les modèles de langage savent écrire du code PTX spécifique à une architecture pour les noyaux GPU. Ses auteurs constatent que les taux de réussite chutent nettement sur les charges complexes de rétropropagation d'attention. Exécuter les instructions visées ne garantit pas forcément une vitesse compétitive. Aucun modèle évalué n'a égalé de façon constante les bibliothèques de référence sur l'ensemble de la suite.
La recherche documentaire montre le même plafond sous un autre angle. ScholarCatalyst, construit à partir des annotations de 184 auteurs principaux de 207 articles récents en informatique, demandait aux modèles de retrouver les travaux antérieurs qui ont façonné un projet, en utilisant uniquement la littérature disponible au démarrage du projet. La recherche agentique n'a pas fait mieux que la recherche par plongement simple, avec 0,42 contre 0,48 en Recall@20. Même un agent bâti sur Claude Fable 5.1 n'a atteint que 0,51.
La présentation d'Anthropic invite elle-même au scepticisme. Une entreprise qui vend des modèles fermés publie des benchmarks qui font paraître les modèles ouverts dangereux, à partir de tests qu'elle conçoit et exécute elle-même. Les chiffres d'Exploitbench sont précis et reproductibles en principe. Savoir si GLM-5.3 est aussi utile à un attaquant que le suggère un taux de 50 réussites sur 410 dépend de choses que le rapport ne mesure pas. À quelle fréquence l'exploit fonctionne-t-il hors d'un bac à sable ? En combien de temps la cible est-elle corrigée ? Le modèle a-t-il besoin d'un humain pour le pointer vers le bon bug ?
Ce qui est public et vérifiable est plus étroit. Un bug trouvé par Mythos est en cours d'exploitation. Un modèle chinois à poids ouverts obtient un score proche de Mythos aux tests d'Anthropic. Et le calendrier des publications à poids ouverts ne ralentit pas.
Sources
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
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.