Открытый Deepseek V4.1 Flash взламывает сети на 73% и стоит $3 против $22 у GPT-6

Если вы думали, что автономные хакерские агенты — удел закрытых лабораторий с контролем доступа, свежий бенчмарк Vals AI предлагает пересмотреть картину. Открытая модель отстаёт от лидера на считаные проценты, а стоит в разы меньше.

Как устроен тест

Vals CyberOffense имитирует реалистичную корпоративную сеть. Агент работает один на изолированной машине с Kali Linux. На входе у него только публичный веб-адрес. Дальше он сам отправляет команды, находит путь от веб-приложения через серверы на Windows до прав администратора. Каждое действие логируется снаружи, результат считается автоматически.

Представьте стажёра-пентестера, которому дали один URL и сказали: «Дойди до домена». Только стажёр не спит, не отвлекается и стоит несколько долларов за попытку.

Что показали цифры

GPT-6 Sol из ограниченной программы OpenAI Daybreak набрал 80,8% целей. Открытая Deepseek V4.1 Flash 1017 — 72,8%. Стоимость прогона: около $3 против примерно $22.

В простом сценарии Nova результаты почти равны: в среднем 15,7 из 21 у Daybreak и 16,3 из 21 у Deepseek. В сложном Lighthouse Daybreak взял админский контроль над первой компанией, украл пароли и с их помощью проник во вторую. Итог — 27 из 31 цели меньше чем за три часа. Deepseek выполнил 21 цель примерно за десятую часть стоимости, причём его, по данным Vals, останавливали не только защитные ограничения. В таблице есть и неожиданность: Meta Wonder на Lighthouse выполнила 28 целей, хотя в Nova набрала всего 7.

Токены решают

Ещё одно наблюдение важнее самих процентов: результат растёт вместе с числом потраченных токенов. Большинство моделей не показывает заметного прогресса, пока не перешагнёт 100 млн токенов. Deepseek в первые 25 млн вообще набрал ноль и основной прогресс сделал позже. Значит, короткие тесты занижают реальный потенциал открытых моделей, особенно китайских.

Тренд подтверждается другими исследованиями

Лондонский AI Security Institute в июле оценил отставание открытых моделей от закрытых в кибер-задачах в 4–7 месяцев. Большую часть 2025 года оно составляло 6–10 месяцев. По данным AISI, прогон на кибер-полигоне с Deepseek V4-Pro стоит $1,19, а с Opus 4.5 от Anthropic — $85. Защитные механизмы открытых моделей оказались в основном неэффективны. Исследование Anthropic показало, что открытая GLM-5-3 строит эксплойты почти на уровне внутренней топ-модели Mythos.

Что с этим делать

Главный вывод для индустрии: контроль через закрытый доступ работает только пока открытые веса отстают. Когда веса опубликованы, ни один провайдер не может ограничить использование модели. Vals ожидает рост атак на реальные сети в ближайшие месяцы.

Практика для разработчиков и основателей:

• Исходите из того, что атакующий с бюджетом в несколько долларов может автоматизировать разведку и эскалацию привилегий.
• Закрывайте базовые вещи: патчи, сегментация сети, уникальные пароли, мониторинг необычной активности.
• Используйте те же модели в обороне: прогоняйте агентов против собственной инфраструктуры в тестовом окружении раньше, чем это сделает кто-то другой.
• Если строите продукты с агентами, закладывайте лимиты на токены и действия: именно длинные сессии дают агентам силу.

Ограничения

Это симуляция, а не боевая сеть. Выборка по запускам небольшая: для Nova усреднено три прогона, разброс заметен (у Daybreak от 12 до 19 целей). Бенчмарк опубликован самой Vals, независимого воспроизведения пока нет. Тем не менее направление ясное: отставание сокращается, а цена атаки падает.