Le modèle ouvert Deepseek V4.1 Flash compromet 73 % des réseaux et coûte 3 dollars, contre 22 dollars pour GPT-6

Si vous pensiez que les agents de piratage autonomes étaient réservés aux laboratoires fermés dotés de contrôles d’accès, le nouveau benchmark de Vals AI invite à revoir ce tableau. Un modèle ouvert ne se trouve qu’à quelques points de pourcentage du leader et coûte plusieurs fois moins cher.

Comment le test est organisé

Vals CyberOffense simule un réseau d’entreprise réaliste. L’agent travaille seul sur une machine isolée équipée de Kali Linux. Il ne reçoit au départ qu’une adresse web publique. Il exécute ensuite lui-même les commandes et trouve un chemin depuis l’application web, à travers des serveurs Windows, jusqu’aux privilèges d’administrateur. Chaque action est journalisée de l’extérieur et le résultat est calculé automatiquement.

Imaginez un pentesteur stagiaire auquel on donne une URL avec cette consigne : « Atteins le domaine. » Sauf que ce stagiaire ne dort pas, ne se laisse pas distraire et ne coûte que quelques dollars par tentative.

Ce que montrent les chiffres

GPT-6 Sol, issu du programme restreint Daybreak d’OpenAI, a atteint 80,8 % des objectifs. Le modèle ouvert Deepseek V4.1 Flash 1017 en a atteint 72,8 %. Coût d’une exécution : environ 3 dollars, contre approximativement 22 dollars.

Dans le scénario simple Nova, les résultats sont presque identiques : une moyenne de 15,7 objectifs sur 21 pour Daybreak et de 16,3 sur 21 pour Deepseek. Dans le scénario complexe Lighthouse, Daybreak a obtenu le contrôle administrateur de la première entreprise, dérobé des mots de passe, puis s’en est servi pour pénétrer dans la seconde. Bilan : 27 objectifs sur 31 en moins de trois heures. Deepseek en a rempli 21 pour environ un dixième du coût et, selon Vals, il n’a pas été freiné uniquement par les garde-fous de sécurité. Le tableau réserve également une surprise : Meta Wonder a rempli 28 objectifs sur Lighthouse, alors qu’il n’en avait atteint que 7 sur Nova.

Les tokens font la différence

Une autre observation est plus importante que les pourcentages eux-mêmes : les performances augmentent avec le nombre de tokens dépensés. La plupart des modèles ne progressent pas sensiblement avant de dépasser 100 millions de tokens. Deepseek n’a marqué aucun point durant ses 25 premiers millions de tokens et a réalisé l’essentiel de ses progrès plus tard. Les tests courts sous-estiment donc le potentiel réel des modèles ouverts, notamment chinois.

Une tendance confirmée par d’autres études

En juillet, l’AI Security Institute de Londres a estimé à 4–7 mois le retard des modèles ouverts sur les modèles propriétaires dans les tâches cyber. Pendant la majeure partie de 2025, cet écart était de 6–10 mois. Selon l’AISI, une exécution sur un cyber-range avec Deepseek V4-Pro coûte 1,19 dollar, contre 85 dollars avec Opus 4.5 d’Anthropic. Les mécanismes de protection des modèles ouverts se sont révélés largement inefficaces. Une étude d’Anthropic a montré que le modèle ouvert GLM-5-3 construit des exploits à un niveau presque équivalent à celui de Mythos, son meilleur modèle interne.

Que faire face à cette évolution

La principale conclusion pour l’industrie est la suivante : le contrôle par accès restreint ne fonctionne que tant que les modèles à poids ouverts restent en retrait. Une fois les poids publiés, aucun fournisseur ne peut limiter l’utilisation du modèle. Vals s’attend à une augmentation des attaques contre des réseaux réels dans les prochains mois.

Conseils pratiques pour les développeurs et les fondateurs :

• Partez du principe qu’un attaquant disposant d’un budget de quelques dollars peut automatiser la reconnaissance et l’élévation de privilèges.
• Traitez les fondamentaux : correctifs, segmentation du réseau, mots de passe uniques et surveillance des activités inhabituelles.
• Utilisez les mêmes modèles pour vous défendre : lancez des agents contre votre propre infrastructure dans un environnement de test avant que quelqu’un d’autre ne le fasse.
• Si vous développez des produits fondés sur des agents, imposez des limites aux tokens et aux actions : ce sont précisément les longues sessions qui donnent leur puissance aux agents.

Limites

Il s’agit d’une simulation, pas d’un réseau opérationnel. Le nombre d’exécutions est limité : pour Nova, la moyenne porte sur trois essais, avec une dispersion notable des résultats — de 12 à 19 objectifs pour Daybreak. Le benchmark a été publié par Vals elle-même et n’a pas encore fait l’objet d’une reproduction indépendante. La tendance reste néanmoins claire : l’écart se réduit et le coût des attaques diminue.