Anthropic mette i numeri sull'hacking con l'IA: GLM-5.3 segna 50 exploit contro i 56 di Mythos
Secondo il nuovo rapporto di red-teaming di Anthropic, GLM-5.3, il modello open-weight di Zhipu AI, riesce a costruire exploit end-to-end in 50 casi su 410, poco dietro il Mythos non ancora rilasciato dell'azienda a 56. Lo riporta Tom's Hardware.

Anthropic ha pubblicato questa settimana un rapporto secondo cui un popolare modello cinese open-weight può fare gran parte di ciò che fa il suo modello chiuso per la caccia ai bug. Tom's Hardware ha riferito il 3 ottobre che l'azienda ha testato GLM-5.3 di Zhipu AI in un benchmark in sandbox chiamato Exploitbench, dove i modelli provano a costruire exploit funzionanti per Google Chrome.
GLM-5.3 ce l'ha fatta 50 volte su 410 tentativi. Claude Mythos di Anthropic ne ha totalizzati 56 nello stesso numero di prove. Il divario è largo al massimo sette punti percentuali. Il rapporto dà un numero a un timore che i regolatori sollevano da mesi: una capacità che Anthropic tiene dietro una porta chiusa è già scaricabile.
Gli stessi test indicano che la distanza non è uniforme. Su un benchmark interno per i "full control-flow hijack", GLM-5.3 ha ottenuto un tasso di successo del 4% contro il 6% di Mythos. Altri due modelli open-weight, Kimi K3 e DeepSeek V4.1 Flash, hanno segnato 0% su quella misura, secondo lo stesso rapporto.
Le salvaguardie sono l'altra metà della tesi. Tom's Hardware riferisce che Anthropic ha aggirato i guardrail di GLM-5.3 con un prompt ingannevole nel 64% dei tentativi, e con token di ragionamento precompilati nel 92%. Viene descritto anche un terzo metodo, l'abliterazione. Anthropic cita un rapporto di fine settembre del Center for AI Standards and Innovation, secondo cui GLM-5.3 potrebbe automatizzare del tutto gli exploit a un livello simile a Mythos.
Il costo è il punto in cui la storia diventa concreta. Anthropic afferma che il più leggero GLM-5.3-Flash ha costruito exploit concatenati su bug noti con 20,40 dollari di token. Gli exploit concatenati mettono insieme più falle, e sono la differenza tra una proof of concept e un'intrusione.
Perché il confronto con Mythos conta
Mythos non è disponibile per tutti. Anthropic dà accesso a partner selezionati tramite Project Glasswing, un'iniziativa annunciata ad aprile. La promessa è che i difensori ricevano il modello per primi, così i bug vengono corretti prima che gli attaccanti abbiano lo stesso strumento.
I numeri sopra indeboliscono questa tempistica. Se un modello aperto da 20,40 dollari riesce a concatenare exploit, la finestra tra scoperta e abuso è breve. Né Anthropic né Zhipu AI hanno detto come il rapporto cambierà le regole di accesso, e Zhipu AI non ha risposto pubblicamente alle accuse specifiche del benchmark.
Il fronte difensivo ha le sue prove. The Register ha riferito il 3 ottobre che un bug critico di bypass dell'autenticazione in Rejetto HTTP File Server, tracciato come CVE-2026-61500, è stato trovato con Mythos e poi sfruttato in rete nel giro di pochi giorni. Il ricercatore di Horizon3 Zach Hanley, che ha scoperto la falla, ha pubblicato un video dell'exploit. Gli utenti devono aggiornare alla v3.2.1 o successiva.
"Abbiamo iniziato a rilevare lo sfruttamento di CVE-2026-61500 in Rejetto HFS questa sera", ha scritto il ricercatore di VulnCheck Patrick Garrity su LinkedIn giovedì, secondo The Register.
Garrity ha detto a The Register che l'attività di giovedì proveniva da un indirizzo IP in Cina e prendeva di mira host vulnerabili negli Stati Uniti e in Giappone. Venerdì aveva visto quattro colpi da due indirizzi statunitensi nella stessa sottorete, che secondo lui sembravano un proxy. Il suo tracker conta 286 CVE trovate da Mythos e Project Glasswing; fino a quel giovedì ne era stata sfruttata una sola.
Questo è il benchmark che conta più di qualsiasi punteggio. Un modello che trova bug più in fretta di quanto i fornitori li correggano sposta il rischio su chiunque usi software non aggiornato, e HFS era già comparso nel catalogo delle vulnerabilità sfruttate note di CISA nel 2024.
Ragionare non è decidere
Il problema della misurazione attraversa il resto delle uscite IA della settimana. Aleph Alpha ha pubblicato Kolibri il 3 ottobre, un modello mixture-of-experts da 78.000.000.000 di parametri con 3.000.000.000 di parametri attivi, una finestra di contesto da 1.000.000 di token e pesi Apache 2.0. L'azienda dice che eguaglia modelli con fino a quattro volte il suo numero di parametri attivi, come Nemotron 3 Super, e ammette che i benchmark pubblici non coprono le esigenze di settore, così ne ha costruiti di interni.
Strumenti più piccoli puntano a domande più ristrette. Il progetto llama.cpp ha aggiunto il 2 ottobre un endpoint per un modello decisionale, secondo un post della community su Hugging Face di Xuan-Son Nguyen e Victor Mustar. Restituisce una probabilità per ogni opzione in un solo passaggio in avanti. ZeroLeaks ha rilasciato Shield Small, un classificatore da 118.000.000 di parametri per il prompt injection, che dichiara un'accuratezza media bilanciata per categoria dell'84,3% con le sue regole, un dato che la sua stessa scheda definisce come test set noto e non come valutazione su dati mai visti.
I benchmark di ricerca mostrano la stessa disomogeneità. Un articolo su arXiv, rivisto il 28 settembre, presenta PTXBench per il lavoro sui kernel GPU. Nessun modello valutato ha eguagliato in modo costante le librerie di frontiera, e i successi calavano sui carichi complessi di backward dell'attenzione. ScholarCatalyst, un benchmark di retrieval costruito su 184 autori principali e 207 articoli, ha trovato una ricerca agentica con 0,42 Recall@20 contro 0,48 per il retrieval a embedding semplice.
Quei risultati sono un contrappeso utile ai conteggi di exploit. Un modello può sembrare forte su un compito e ordinario sul successivo, e il benchmark che scegli decide il titolo. Il rapporto di Anthropic non è stato riprodotto in modo indipendente, e l'allestimento di Exploitbench è dell'azienda stessa.
Fonti
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
Tutti i numeri e le citazioni di questo testo provengono dalle fonti elencate sotto.
I contenuti sono stati preparati dalla redazione con il supporto dell'IA.
Commenti
0- Nessun commento — sii il primo.