Anthropic mette alla prova GLM-5.3 di Zhipu: capacità di exploit vicine al suo Mythos
Anthropic afferma che GLM-5.3 di Zhipu AI, modello a pesi aperti, ha costruito exploit funzionanti per Chrome 50 volte su 410 tentativi, poco dietro il suo Mythos non ancora rilasciato, fermo a 56. Lo riporta Tom's Hardware il 3 ottobre.

Il rapporto di Anthropic dice che il modello cinese non è secondo da lontano. In Exploitbench, il test in sandbox che chiede ai modelli di sviluppare exploit per Google Chrome, GLM-5.3 è riuscito 50 volte su 410 esecuzioni. Mythos si è fermato a 56. Tom's Hardware ha riportato i dati il 3 ottobre.
Conta meno il divario della direzione presa. Anthropic sostiene da mesi che Mythos è troppo pericoloso per essere rilasciato. Per questo gestisce Project Glasswing, un programma che dà a partner selezionati l'accesso a un modello di classe Mythos per la caccia ai bug. Ora il rapporto dice che un modello scaricabile da chiunque arriva a pochi successi di distanza da quella capacità. Anthropic ha testato GLM-5.3 anche su un benchmark interno per il controllo completo del flusso di esecuzione. Lì ha ottenuto il 4% di successi, contro il 6% di Mythos. Kimi K3 e DeepSeek V4.1 Flash si sono fermati allo 0% sullo stesso indicatore. Il rapporto non dice quanto della differenza resista quando i difensori applicano le patch più in fretta, né se i numeri valgano fuori dal banco di prova di Anthropic.
Il costo basso è l'altra metà della tesi.
Anthropic afferma che GLM-5.3-Flash, la variante più leggera, ha sviluppato exploit concatenati contro bug noti con un conto in token di 20,40 dollari. A seconda del rapporto tra input e output, la cifra compra tra 100 e 300 milioni di token. Gli exploit concatenati sono più difficili dei singoli bug, perché ogni passo dipende dal precedente. Un modello capace di farlo al prezzo di un pasto da asporto cambia chi può provarci.
Barriere che cadono con un prompt
Anthropic ha testato anche quanto sia facile portare GLM-5.3 oltre le proprie protezioni. Il rapporto descrive due metodi funzionanti. Un prompt ingannevole che presenta il modello come agente autonomo avversario è riuscito nel 64% dei casi. Il prefill dei token di ragionamento, così che una risposta sia già avviata prima che il modello decida, ha funzionato nel 92% dei casi. Il rapporto descrive anche un terzo metodo, l'abliterazione, che rimuove dai pesi il comportamento di rifiuto. Anthropic cita una valutazione di fine settembre del Center for AI Standards and Innovation, arrivata alla stessa conclusione sulla capacità di GLM-5.3 di automatizzare gli exploit. Nessuno di questi risultati riguarda un difetto che Zhipu abbia riconosciuto. Zhipu non ha risposto pubblicamente nelle fonti disponibili.
I tempi sono scomodi per Anthropic. Tom's Hardware ricorda che l'amministratore delegato Dario Amodei ha chiesto al settore di dare un ritmo alla frontiera. Claude Opus 5.5 e Claude Sonnet 5.5 sono usciti pochi giorni dopo quegli appelli. Si dice anche che l'azienda guardi a una IPO. Un rapporto che dice che i rivali a pesi aperti stanno recuperando serve a entrambi gli argomenti: giustifica il fatto di tenere Mythos chiuso e sostiene regole che vincolerebbero anche tutti gli altri.
I bug trovati da Mythos finiscono già nelle mani degli attaccanti
La preoccupazione non è teorica. The Register ha riportato il 3 ottobre che una falla critica di bypass dell'autenticazione in Rejetto HTTP File Server, registrata come CVE-2026-61500, è stata trovata con Mythos ed è già sotto attacco. Il ricercatore Zach Hanley di Horizon3 ha detto di aver usato il modello per scoprire il bug, che può portare all'accesso completo come amministratore e all'esecuzione di codice da remoto. Gli utenti devono aggiornare alla v3.2.1 o successiva.
Patrick Garrity, ricercatore di VulnCheck, ha detto che la sua azienda ha iniziato a rilevare lo sfruttamento giovedì sera. L'attività iniziale veniva da un indirizzo IP in Cina e prendeva di mira host vulnerabili negli Stati Uniti e in Giappone. Entro venerdì, ha detto Garrity a The Register, sono arrivati altri quattro colpi da due indirizzi negli Stati Uniti che sembrano un proxy. Il suo tracker conta 286 CVE trovate da Mythos e da Project Glasswing. Fino a giovedì, solo una era stata sfruttata in attacchi reali.
"Abbiamo iniziato a rilevare lo sfruttamento di CVE-2026-61500 in Rejetto HFS questa sera", ha scritto Garrity su LinkedIn giovedì, secondo The Register.
Horizon3 è entrata in Project Glasswing a luglio e da allora ha usato Mythos nella propria ricerca sulle vulnerabilità, scrive Hanley. È l'uso previsto: un modello che trova i bug perché gli esseri umani possano correggerli prima. Il caso Rejetto mostra quanto possa essere breve quel vantaggio quando un resoconto pubblico e un video con un exploit funzionante escono insieme.
Intanto i rilasci a pesi aperti non si fermano
L'argomento di Anthropic arriva in una settimana affollata di rilasci. Aleph Alpha ha rilasciato Kolibri il 3 ottobre, un transformer mixture-of-experts inglese-tedesco con 78 miliardi di parametri totali e 3 miliardi attivi, una finestra di contesto fino a 1 milione di token e pesi su Hugging Face con licenza Apache 2.0. L'azienda lo propone per la pubblica amministrazione, l'industria e l'aerospazio, dove i dati non possono uscire dall'edificio. Aleph Alpha afferma che Kolibri eguaglia modelli con fino a quattro volte il suo numero di parametri attivi, come Nemotron 3 Super, su matematica, programmazione, grounding e compiti a contesto lungo.
I rilasci più piccoli mostrano lo stesso schema di specializzazione. llama.cpp ha aggiunto un endpoint /v1/systemone per i modelli decisionali il 2 ottobre, da Julia-1 fino a OpenJev da 27 miliardi di parametri. ZeroLeaks ha pubblicato Shield Small il 2 ottobre, un classificatore da 118 milioni di parametri per il rilevamento di prompt injection e jailbreak che gira su una CPU con 118 MB di pesi int8. Il confronto pubblicato, eseguito con Shield rules v2 a una soglia di 0,5, riporta un'accuratezza media bilanciata per categoria dell'84,3%, un recall sugli attacchi del 71,8% e un tasso di falsi positivi del 7,2% su 35 dataset pubblici. Sono risultati di sistema, non punteggi del modello da solo.
Anche i modelli per le immagini vanno allo stesso ritmo. Ideogram ha lanciato la versione 4.5 il 3 ottobre, pensata per la modifica multi-turno a risoluzione nativa 2K, con un prezzo fisso per immagine da 0,008 a 0,22 dollari a seconda del livello di qualità. Le pagine di aiuto di Gemini di Google dicono che i cambiamenti di accesso ai modelli per gli account personali iniziano il 9 ottobre. La selezione automatica del modello diventa l'impostazione predefinita per chi non ha un piano a pagamento, e la maggior parte dei prompt viene indirizzata a Flash-Lite.
Anche i benchmark hanno bisogno di una verifica
La domanda più difficile è che cosa misurino davvero questi numeri. PTXBench, rivisto il 28 settembre, verifica se i modelli linguistici sanno scrivere codice PTX specifico per l'architettura dei kernel GPU. Gli autori hanno trovato che i tassi di successo calano bruscamente sui carichi complessi di backward dell'attenzione. Eseguire le istruzioni richieste non produce necessariamente una velocità competitiva. Nessun modello valutato ha eguagliato in modo costante le librerie di frontiera su tutta la suite.
Il recupero della letteratura scientifica mostra lo stesso limite da un'altra angolazione. ScholarCatalyst, costruito sulle etichette di 184 autori principali di 207 articoli recenti di informatica, ha chiesto ai modelli di trovare il lavoro precedente che aveva plasmato un progetto, usando solo la letteratura disponibile quando il progetto è iniziato. La ricerca agentica non ha fatto meglio del semplice recupero con embedding, con 0,42 contro 0,48 di Recall@20. Persino un agente costruito su Claude Fable 5.1 è arrivato solo a 0,51.
L'impostazione stessa di Anthropic invita allo scetticismo. Un'azienda che vende modelli chiusi pubblica benchmark che fanno sembrare pericolosi i modelli aperti, usando test che progetta e gestisce da sola. I numeri di Exploitbench sono specifici e riproducibili in linea di principio. Se GLM-5.3 sia utile a un attaccante quanto suggerisce un tasso di 50 su 410 dipende da cose che il rapporto non misura. Quanto spesso l'exploit funziona fuori dalla sandbox? Quanto in fretta arriva la patch? Il modello ha bisogno di un umano che lo indirizzi verso il bug giusto?
Ciò che è pubblico e verificabile è più ristretto. Un bug trovato da Mythos viene sfruttato. Un modello cinese a pesi aperti segna risultati vicini a Mythos nei test di Anthropic. E il calendario dei rilasci a pesi aperti non ha rallentato.
Fonti
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
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.