El modelo abierto Deepseek V4.1 Flash vulnera redes con un 73% de éxito y cuesta $3 frente a los $22 de GPT-6

Si pensaba que los agentes autónomos de hacking estaban reservados a laboratorios cerrados con control de acceso, el nuevo benchmark de Vals AI invita a reconsiderarlo. Un modelo abierto queda a pocos puntos porcentuales del líder y cuesta varias veces menos.

Cómo funciona la prueba

Vals CyberOffense simula una red corporativa realista. El agente trabaja solo en una máquina aislada con Kali Linux. Al principio únicamente recibe una dirección web pública. A partir de ahí, envía comandos por su cuenta, encuentra una ruta desde la aplicación web, atraviesa servidores Windows y obtiene privilegios de administrador. Cada acción se registra desde el exterior y el resultado se evalúa automáticamente.

Imagine a un pentester en prácticas al que le dan una URL y le dicen: «Llega hasta el dominio». Solo que este becario no duerme, no se distrae y cuesta unos pocos dólares por intento.

Qué mostraron las cifras

GPT-6 Sol, perteneciente al programa restringido Daybreak de OpenAI, alcanzó el 80.8% de los objetivos. El modelo abierto Deepseek V4.1 Flash 1017 llegó al 72.8%. El coste por ejecución fue de unos $3 frente a aproximadamente $22.

En el escenario más sencillo, Nova, los resultados fueron casi iguales: una media de 15.7 de 21 para Daybreak y de 16.3 de 21 para Deepseek. En el complejo escenario Lighthouse, Daybreak obtuvo el control administrativo de la primera empresa, robó contraseñas y las utilizó para infiltrarse en la segunda. El resultado fue de 27 de 31 objetivos en menos de tres horas. Deepseek completó 21 objetivos por aproximadamente una décima parte del coste y, según Vals, no solo fue frenado por las medidas defensivas. La tabla también incluye una sorpresa: Meta Wonder completó 28 objetivos en Lighthouse, aunque en Nova solo obtuvo 7.

Los tokens son decisivos

Otra observación es más importante que los propios porcentajes: el resultado mejora con el número de tokens consumidos. La mayoría de los modelos no muestra un progreso apreciable hasta superar los 100 millones de tokens. Deepseek obtuvo cero durante sus primeros 25 millones y realizó la mayor parte de sus avances más tarde. Esto significa que las pruebas cortas subestiman el potencial real de los modelos abiertos, especialmente los chinos.

Otros estudios confirman la tendencia

En julio, el AI Security Institute de Londres estimó que los modelos abiertos estaban entre 4 y 7 meses por detrás de los cerrados en tareas de ciberseguridad. Durante gran parte de 2025, la diferencia fue de 6–10 meses. Según AISI, una ejecución en un campo de pruebas cibernético cuesta $1.19 con Deepseek V4-Pro y $85 con Opus 4.5 de Anthropic. Los mecanismos de protección de los modelos abiertos resultaron ineficaces en su mayoría. Un estudio de Anthropic mostró que el modelo abierto GLM-5-3 crea exploits casi al nivel de Mythos, el principal modelo interno de la empresa.

Qué hacer al respecto

La principal conclusión para la industria es que el control mediante acceso cerrado solo funciona mientras los pesos abiertos sigan rezagados. Una vez publicados los pesos, ningún proveedor puede limitar el uso del modelo. Vals prevé un aumento de los ataques contra redes reales durante los próximos meses.

Medidas prácticas para desarrolladores y fundadores:

• Dé por hecho que un atacante con un presupuesto de unos pocos dólares puede automatizar el reconocimiento y la escalada de privilegios.
• Cubra lo básico: parches, segmentación de red, contraseñas únicas y supervisión de actividad inusual.
• Utilice los mismos modelos para la defensa: ejecute agentes contra su propia infraestructura en un entorno de pruebas antes de que lo haga otra persona.
• Si desarrolla productos con agentes, establezca límites de tokens y acciones: son precisamente las sesiones largas las que dan poder a los agentes.

Limitaciones

Se trata de una simulación, no de una red en producción. La muestra de ejecuciones es pequeña: para Nova se promediaron tres ejecuciones y la dispersión es notable, ya que Daybreak completó entre 12 y 19 objetivos. El benchmark fue publicado por la propia Vals y todavía no existe una reproducción independiente. Aun así, la tendencia está clara: la brecha se reduce y el coste de los ataques cae.