مدل GLM-5.3 میتواند خودکار اکسپلویتهای خطرناک بسازد
پژوهشگران شرکت آنتروپیک در گزارشی تحلیلی، قابلیتهای سایبری مدل هوش مصنوعی GLM-5.3، توسعهیافته توسط شرکت چینی Zhipu AI، را ارزیابی کردهاند. نتایج این بررسی نشان میدهد این مدل مانند Claude Mythos Preview میتواند حملات و اکسپلویتهای سایبری پیچیده را بهصورت خودکار بسازد. با این تفاوت که برخلاف مدلهای پیشرو آمریکایی که دسترسی به آنها بهشدت کنترل میشود، GLM-5.3 بهصورت وزنباز و بدون حفاظهای دفاعی کارآمد در دسترس عموم قرار گرفته است.
آنتروپیک پنج ماه پیش در پروژهای با نام Glasswing دسترسی محدودی به Claude Mythos Preview را برای مدافعان سایبری فراهم کرد که به شناسایی بیش از ۱۰ هزار آسیبپذیری بحرانی منجر شد. اکنون مؤسسه استانداردهای هوش مصنوعی آمریکا (CAISI) نیز تأیید کرده که GLM-5.3 توانمندترین مدل وزنباز منتشرشده در حوزه سایبری تا به امروز محسوب میشود و فاصله آن با مرز فناوری آمریکا تنها حدود ۴ ماه ارزیابی شده است.
در ارزیابیهای انجامشده در محیطهای ایزوله، مدل GLM-5.3 در بنچمارک ExploitBench موفق شد در ۵۰ مورد از ۴۱۰ تلاش، اکسپلویتهای کاملی برای موتور V8 گوگل کروم طراحی کند؛ رقمی که فاصله بسیار اندکی با رکورد مدل Claude دارد. همچنین در ارزیابی کدهای باینری پروژههای متنباز گوگل، این مدل توانست در ۴ درصد از تستها کنترل کامل جریان اجرای برنامه را در دست بگیرد، درحالیکه نسخههای قبلی مانند GLM-5.2 هیچ موفقیتی در این زمینه ثبت نکرده بودند.
آسیبپذیریهای امنیتی مدل GLM-5.3 و دور زدن آسان محدودیتها
در سناریوهای آزمایشی با نظارت محدود انسانی، این سیستم هوش مصنوعی توانست طی کمتر از یک روز و با کمتر از یک ساعت توجه انسانی، چند نقص امنیتی روزصفر (0-Day) ناشناخته را در موتور جاوااسکریپت نسخه لینوکس یک مرورگر محبوب شناسایی کرده و آنها را به اکسپلویت کاربردی تبدیل کند؛ کدی که با باز شدن صفحه وب توسط کاربر، اطلاعات حساس از جمله کلیدهای SSH سیستم را به سرقت میبرد.
علاوهبراین، در آزمایشی دیگر، مدل کوچکتر GLM-5.3-Flash موفق شد با دریافت جزئیات عمومی یک آسیبپذیری ثبتشده در گوگل کروم (CVE-2026-11645)، ظرف ۸ ساعت پردازش و با هزینهای معادل ۲۰.۴۰ دلار، مکانیزمهای سختگیرانه حافظه روی معماری ARM64 را دور بزند و یک زنجیره حمله مطمئن بسازد.
تیم تحقیقاتی آنتروپیک تأکید میکند که سازوکارهای ایمنی پیشفرض این مدل چینی بهشدت ضعیف و شکننده هستند. محققان با استفاده از پرامپتهای فریبنده توانستند در ۶۴ درصد موارد، و از طریق وارد کردن پیشفرض توکنهای تفکر در ۹۲ درصد موارد، دستورهای مخرب را با موفقیت اجرا کنند. همچنین با تکنیک خنثیسازی (Abliteration) که محدودیتهای سیستم را با اعمال تغییر در وزنها حذف میکند، این مدل در ۱۰۰ درصد مواقع به درخواستهای مخرب پاسخ داد؛ فرایندی که برای آنها تنها حدود ۲۲۰۰ ساعت پردازش گرافیکی با نزدیک به ۴۴۰۰ دلار هزینه داشت.
آنتروپیک هشدار داده است که انتشار چنین مدلهای توانمندی بدون محافظتهای کافی، زمینه را برای استفاده گسترده مهاجمان دولتی و غیردولتی هموار میکند و ضرورت مجهز شدن مدافعان به ابزارهای پیشرفتهتر را دوچندان میکند.
