Gemini 4 Argon нашла вдвое больше уязвимостей, чем базовые модели, в тестах Wiz

Google DeepMind опубликовала видео с результатами тестов Gemini 4 Argon в кибербезопасности. Исследователи Wiz прогнали модель через теневое A/B-тестирование на реальных системах. По их оценке, Argon нашла более чем в два раза больше уязвимостей, чем базовые модели. Среди критических находок оказались обход ограничений на скачивание файла и мастер-ключ в программном обеспечении для здравоохранения.

Что известно о тесте

Формат «shadow A/B testing» обычно означает, что новую систему запускают параллельно с действующим процессом и сравнивают результаты, не подменяя ими рабочие решения. Здесь в роли контрольной группы выступили базовые модели, а площадкой стали реальные системы, а не учебные стенды с заранее заложенными ошибками. Это сильнее синтетического бенчмарка, потому что в живом коде много шума, унаследованных решений и неочевидных связей между компонентами.

Данные из анонса:

• формат: теневое A/B-тестирование на реальных системах;
• кто проверял: исследователи по безопасности Wiz;
• главный результат: более чем двукратный прирост найденных уязвимостей относительно базовых моделей;
• примеры находок: обход ограничений на скачивание файла и мастер-ключ в медицинском ПО;
• заявленные сильные стороны: продвинутое рассуждение, работа на длинном горизонте, многошаговый анализ угроз и помощь в устранении.

Почему эти находки важны

Обход проверок при скачивании файлов обычно открывает доступ к данным, которые пользователю видеть не положено. Мастер-ключ в чужих руках способен открыть сразу много замков. В медицинском ПО цена такой ошибки измеряется не только деньгами, но и утечкой чувствительных данных пациентов. Поэтому DeepMind выбрала именно эти примеры: они показывают, что модель ищет проблемы с реальными последствиями, а не формальные замечания к стилю кода.

Заявка на «long-horizon» способности в безопасности имеет прямой смысл. Серьёзная уязвимость редко лежит на поверхности. Чаще это цепочка: одна слабая проверка, неверное предположение в соседнем модуле, ключ в неожиданном месте. Модель, которая держит контекст через много шагов и не теряет нить, теоретически находит такие цепочки чаще, чем та, что смотрит на файлы по отдельности. DeepMind подчёркивает, что Argon делает это без усталости, и для рутинного анализа больших кодовых баз это существенно.

Чего в анонсе не хватает

Источник здесь — видео самого разработчика, и проверить цифры со стороны пока нельзя. Остаются открытыми важные вопросы:

• какие именно модели считались базовыми и в каких версиях;
• сколько уязвимостей нашли в абсолютных числах, а не в кратности;
• какая доля находок подтверждена, то есть каков уровень ложных срабатываний;
• как распределились находки по критичности;
• сколько времени и вычислений ушло на прогон и сколько работы осталось людям для проверки.

Без этих данных «вдвое больше» читается как сильный сигнал, но не как готовая метрика для закупки. Если базовая модель находила мало, двукратный рост может означать скромные абсолютные значения. Если же часть находок оказалась шумом, команда безопасности просто получит вдвое больше тикетов.

Как это применять защитникам

Практический вывод простой: проверять на своих данных. Командам безопасности имеет смысл повторить схему Wiz в малом масштабе. Нужно запустить модель в теневом режиме на одном-двух внутренних сервисах параллельно с текущими сканерами и ручным ревью. Дальше сравнить не количество находок, а подтверждённые критические уязвимости, долю ложных срабатываний и время на триаж.

Отдельно стоит проверить поиск секретов и ключей, обходы авторизации и логику доступа к файлам, потому что именно такие классы ошибок показал DeepMind. Предложенные моделью исправления нужно пропускать через код-ревью и тесты, а не принимать автоматически. Доступ самой модели к репозиториям и данным надо ограничить, особенно в регулируемых отраслях вроде медицины.

Наконец, учитывать нужно обе стороны. Если защитники получают модели с многошаговым анализом, такие же возможности рано или поздно появятся и у атакующих. Выигрывает тот, кто раньше встроит их в рабочий процесс и научится отделять реальные находки от шума.