GLM-5.3 ของจีนทำการโจมตีไซเบอร์จำลองสำเร็จ ขณะที่ผลทดสอบเผยช่องโหว่ด้านความปลอดภัย

ทำสถานการณ์โจมตีสำเร็จ 3 ครั้ง โมเดล AI แบบเปิดถูกจับตา

GLM-5.3 ของ Z.AI นักพัฒนาจีน ทำสถานการณ์โจมตีไซเบอร์ที่ซับซ้อนสำเร็จอย่างน้อยหนึ่งครั้ง 3 จากทั้งหมด 13 สถานการณ์ ในการทดสอบแบบควบคุมโดย Irregular บริษัทวิจัยด้านความปลอดภัย นับเป็นผลงานดีที่สุดที่บริษัทเคยบันทึกได้จากโมเดลที่เปิดให้สาธารณะเข้าถึงน้ำหนักโมเดล ส่วนการประเมินแยกต่างหากของ Anthropic และรัฐบาลสหรัฐฯ พบภาพคล้ายกัน คือความสามารถในการใช้ประโยชน์จากจุดอ่อนของซอฟต์แวร์ที่เพิ่มขึ้น ควบคู่กับช่องโหว่ในมาตรการป้องกันการนำไปใช้ในทางที่ผิด

Irregular ระบุว่าโมเดลเข้าถึงบริการที่มีการป้องกัน สร้างช่องทางเชื่อมต่อทางเลือกเพื่อเคลื่อนที่ภายในเครือข่าย และประสานปฏิบัติการระหว่างคอมพิวเตอร์หลายเครื่อง ในการประเมินดังกล่าว โมเดลไม่ปฏิเสธงานเชิงโจมตีเลย การทดสอบดำเนินการในสภาพแวดล้อมควบคุม

ผลทดสอบมีความสำคัญเพราะ GLM-5.3 เป็นโมเดลแบบเปิดน้ำหนักโมเดล ผู้ใช้สามารถดาวน์โหลดน้ำหนักโมเดล ซึ่งเป็นค่าตัวเลขที่เรียนรู้ระหว่างการฝึก แล้วนำไปใช้งานได้โดยอิสระ นักพัฒนาสามารถปรับโมเดลให้เหมาะกับงานที่ชอบด้วยกฎหมาย รวมถึงการค้นหาช่องโหว่ด้านความปลอดภัย ขณะที่ผู้ไม่หวังดีก็สามารถดัดแปลงมาตรการป้องกันของโมเดลได้เช่นกัน

อย่างไรก็ตาม GLM-5.3 ยังตามหลังระบบชั้นนำของสหรัฐฯ ในการทดสอบภาพรวมของรัฐบาล Irregular ประเมิน GPT-6 Astra ของ OpenAI แยกต่างหาก และพบว่าทำสำเร็จ 9 จาก 10 สถานการณ์ แม้การทดสอบจะแตกต่างกัน สถาบันมาตรฐานและเทคโนโลยีแห่งชาติของสหรัฐฯ ประเมินว่า เมื่อพิจารณามาตรวัดด้านความปลอดภัยไซเบอร์โดยรวม GLM-5.3 ตามหลังโมเดลแนวหน้าของสหรัฐฯ อยู่ราว 4 เดือน

Z.AI ซึ่งมีชื่ออีกชื่อว่า Zhipu AI ยังไม่ตอบคำขอแสดงความเห็นต่อผลการประเมินของ Irregular ในทันที ในแถลงการณ์เปิดตัวเมื่อเดือนสิงหาคม บริษัทจากปักกิ่งกล่าวถึงระบบความปลอดภัยหลายชั้น และให้เหตุผลว่าการเปิดให้เข้าถึงโมเดลที่มีความสามารถในวงกว้างขึ้นจะช่วยให้ผู้ดูแลซอฟต์แวร์ปกป้องโครงการของตนได้

ผลการประเมินของรัฐบาลพบอะไร

ศูนย์มาตรฐานและนวัตกรรมด้าน AI ของ NIST หรือ CAISI ประเมิน GLM-5.3 ด้วยเกณฑ์ทดสอบ 4 รายการ ครอบคลุมการค้นหาช่องโหว่และการพัฒนาวิธีโจมตี ช่องโหว่คือจุดอ่อนในซอฟต์แวร์ ส่วนวิธีโจมตีคือวิธีใช้จุดอ่อนนั้นบังคับให้ระบบทำสิ่งที่เจ้าของไม่ได้ตั้งใจ

หน่วยงานทดสอบของรัฐบาลเผยแพร่การประเมินความสามารถของ GLM-5.3เมื่อวันที่ 17 กันยายน โดยมีข้อค้นพบสำคัญว่า:

GLM-5.3 เป็นโมเดลแบบเปิดน้ำหนักที่มีความสามารถด้านไซเบอร์สูงที่สุดเท่าที่เคยเปิดตัวมา

CAISI บันทึกผลสำเร็จ 74 งานจากทั้งหมด 183 งานใน SEC-Bench Pro หรือ 40.4% งานเหล่านี้กำหนดให้โมเดลค้นหาจุดอ่อนที่ทราบอยู่แล้วในเอนจินเบราว์เซอร์ และเขียนโค้ดเพื่อกระตุ้นข้อบกพร่องตามที่ต้องการ ผลดีที่สุดของสหรัฐฯ คือ 165 จาก 183 งาน หรือ 90.2% ส่วนโมเดลจีนที่ทำคะแนนนำก่อนหน้านี้ได้ 50 จาก 183 งาน หรือ 27.3%

ใน ExploitGym GLM-5.3 ทำสำเร็จ 47 จาก 498 งาน หรือ 9.4% เทียบกับผลดีที่สุดของสหรัฐฯ ที่ 223 จาก 502 งาน หรือ 44.4% ส่วนการทดสอบ OSS-Fuzz แบบส่วนตัวของ CAISI ซึ่งกำหนดให้ค้นหาและใช้ประโยชน์จากข้อบกพร่องโดยไม่มีคำอธิบายหรือตัวอย่างข้อขัดข้อง โมเดลทำสำเร็จ 23 จาก 297 งาน หรือ 7.7% ผลดีที่สุดของสหรัฐฯ คือ 69 จาก 297 งาน หรือ 23.2%

การเปรียบเทียบของ CAISI รวมโมเดลสหรัฐฯ ที่ให้เฉพาะผู้ใช้ซึ่งได้รับอนุญาตเข้าถึงได้ด้วย ในกรณีที่เกี่ยวข้อง หน่วยงานทดสอบโมเดลสหรัฐฯ โดยปิดมาตรการป้องกันด้านความปลอดภัยไซเบอร์ ค่าประมาณ 4 เดือนสะท้อนประสิทธิภาพเปรียบเทียบในการทดสอบเหล่านี้ โดย GLM-5.3 ทำได้ดีกว่า Kimi K3 แต่ยังตามหลังโมเดลแนวหน้ารุ่นปัจจุบันและรุ่นล่าสุดอื่น ๆ ของสหรัฐฯ

เหตุใดคะแนนการโจมตีจึงแตกต่างกัน

การประเมินด้านความปลอดภัยไซเบอร์ของ Anthropic เมื่อวันที่ 29 กันยายน ให้ข้อมูลเปรียบเทียบกับ Claude Mythos Preview ที่เฉพาะเจาะจงยิ่งขึ้น GLM-5.3 สร้างวิธีโจมตีที่สมบูรณ์และใช้งานได้จริงสำเร็จ 50 จากการทดลอง 410 ครั้งใน ExploitBench หรือราว 12% ขณะที่ Mythos Preview ทำสำเร็จ 56 จาก 410 ครั้ง หรือราว 14% ต่างกัน 6 ครั้งจากจำนวนการทดลองทั้งหมดเท่ากัน

CAISI รายงานคะแนน ExploitBench ที่ 61.1% หรือคิดเป็น 9.8 คะแนนจาก 16 คะแนน การประเมินให้คะแนนบางส่วนและใช้ผลดีที่สุดจากการทดลอง 3 ครั้งต่อหนึ่งงาน ส่วน Anthropic นับเฉพาะการทดลองที่สร้างวิธีโจมตีได้อย่างสมบูรณ์ ดังนั้นผู้อ่านควรพิจารณาวิธีให้คะแนนควบคู่กับเปอร์เซ็นต์ด้วย เพราะวิธีหนึ่งวัดความคืบหน้าในการสร้างวิธีโจมตี ขณะที่อีกวิธีนับการโจมตีที่เสร็จสมบูรณ์

Z.AI รายงานคะแนน ExploitBench ที่ 54.4% จากการทดสอบของบริษัทเอง เพิ่มขึ้นจาก 24.4% ของ GLM-5.2 การทดสอบที่ใช้รูปแบบต่างกันให้คะแนนไม่เหมือนกัน แต่การประเมินแต่ละชุดต่างจัดให้โมเดลยังตามหลังระบบชั้นนำของสหรัฐฯ ที่นำมาเปรียบเทียบ

การทดสอบเบราว์เซอร์แสดงให้เห็นว่าการโจมตีสำเร็จทำอะไรได้บ้าง

Anthropic ยังทดสอบ GLM-5.3 โดยให้นักวิจัยกำกับงานปลายเปิดมากขึ้น ในการทดสอบครั้งหนึ่ง นักวิจัยให้โมเดลเข้าถึงเบราว์เซอร์ยอดนิยมเวอร์ชัน Linux ที่ติดตั้งในเครื่องซึ่งแยกออกจากระบบอื่น ภายในหนึ่งวัน โดยมีมนุษย์คอยกำกับในระดับจำกัด โมเดลค้นพบจุดอ่อนที่ไม่เคยมีใครรู้มาก่อนในเอนจิน JavaScript ของเบราว์เซอร์ และนำจุดอ่อนเหล่านั้นมารวมกันเป็นวิธีโจมตี

หน้าเว็บที่สร้างขึ้นสามารถอ่านไฟล์ใดก็ได้จากคอมพิวเตอร์ทดสอบเมื่อมีผู้เปิดดู เอนจิน JavaScript ใช้เรียกใช้โค้ดโต้ตอบส่วนใหญ่ภายในเว็บไซต์ ดังนั้นจุดอ่อนในส่วนประกอบนี้จึงอาจทำให้ข้อมูลในอุปกรณ์ตกอยู่ในความเสี่ยง Anthropic ระบุว่าได้แจ้งช่องโหว่ให้ผู้ดูแลเบราว์เซอร์ทราบแล้ว

การทดสอบครั้งที่สองใช้ GLM-5.3-Flash ซึ่งเป็นโมเดลขนาดเล็กกว่า เพื่อรวมข้อบกพร่องสองรายการที่ทราบแล้วใน Chrome ให้กลายเป็นวิธีโจมตีระบบ ARM64 โมเดลข้ามระบบยืนยันตัวชี้ ซึ่งเป็นมาตรการป้องกันที่ออกแบบมาเพื่อทำให้การโจมตีหน่วยความจำบางประเภททำได้ยากขึ้น งานนี้ใช้เวลาให้โมเดลทำงาน 8 ชั่วโมง และใช้เวลาจากมนุษย์ราว 20 นาที โดยประเมินค่าใช้จ่ายการใช้โมเดลไว้ที่ 20.40 ดอลลาร์สหรัฐ ตามราคา API ของ Zhipu

ในการทดสอบอีกชุด GLM-5.3 สามารถยึดการควบคุมลำดับการทำงานได้อย่างสมบูรณ์ใน 4% ของการทดลอง เทียบกับ 6% ของ Mythos Preview การยึดการควบคุมลำดับการทำงานคือการเปลี่ยนเส้นทางขั้นตอนที่โปรแกรมดำเนินการ ซึ่งอาจทำให้ผู้โจมตีควบคุมโปรแกรมได้ โมเดลรุ่นก่อน ๆ ที่นำมาทดสอบในชุดเดียวกัน รวมถึง GLM-5.2 และ Claude Opus 4.6 ทำไม่ได้เลย

มาตรการป้องกันได้ผล จนกระทั่งนักวิจัยเปลี่ยนคำขอหรือดัดแปลงโมเดล

Anthropic พบว่าในช่วงแรก GLM-5.3 ปฏิเสธคำขอที่มีเจตนาร้ายอย่างชัดเจนทุกครั้ง ในการทดลองจำลองที่เกี่ยวข้องกับการโจมตีระบบสำคัญ ส่วนการประเมินของ Irregular บันทึกว่าโมเดลไม่ปฏิเสธงานเชิงโจมตีเลย การประเมินทั้งสองใช้โจทย์และรูปแบบการทดสอบต่างกัน จึงทำให้พฤติกรรมเริ่มต้นแตกต่างกัน

จากนั้น Anthropic ทดสอบวิธีหลบเลี่ยงมาตรการป้องกันหลายแบบ คำสั่งที่ชวนให้เข้าใจผิดทำให้ GLM-5.3 ยอมทำตามใน 64% ของการทดลอง การเปลี่ยนจุดเริ่มต้นของลำดับการให้เหตุผลทำให้โมเดลยอมทำตามใน 92% ส่วนโมเดลที่ดัดแปลงเพื่อลดการปฏิเสธยอมทำตามใน 100% โมเดล Claude ที่มีมาตรการป้องกันต้านทานเทคนิคที่ทดสอบได้ในการประเมินครั้งนั้น

การทดสอบระบบสำคัญใช้เครื่องมือคำสั่งจำลอง โดยให้ AI อีกระบบประเมินว่าคำสั่งต่าง ๆ จะส่งผลอย่างไร และไม่มีโค้ดที่สร้างขึ้นถูกรันกับระบบภายนอก เปอร์เซ็นต์เหล่านี้จึงแสดงถึงความเต็มใจที่จะทำตามภายในสถานการณ์จำลองดังกล่าว

นักวิจัยยังใช้วิธีดัดแปลงที่เรียกว่า abliteration ซึ่งเปลี่ยนโมเดลเพื่อลดการปฏิเสธคำขอ ในเกณฑ์ทดสอบคำขอที่เป็นอันตรายแบบเปิดเผย 3 รายการ อัตราการปฏิเสธของ GLM-5.3 ลดจากมากกว่า 90% เหลือประมาณ 3%, 2% และ 12%

Anthropic ระบุว่าทีมใช้เวลาประมวลผล GPU ราว 2,200 ชั่วโมง ซึ่งเป็นหน่วยวัดการใช้หน่วยประมวลผลกราฟิก คิดเป็นค่าใช้จ่ายด้านคอมพิวเตอร์ประมาณ 4,400 ดอลลาร์สหรัฐ เวลาส่วนใหญ่ใช้ทดลองรูปแบบต่าง ๆ และตรวจสอบประสิทธิภาพ โมเดลที่ดัดแปลงยังได้คะแนนเท่าเดิมในการทดสอบวิทยาศาสตร์ทั่วไป และได้คะแนนลดลงไม่กี่จุดเปอร์เซ็นต์ในชุดย่อยของงาน CyberGym ที่นำมาทดสอบ

Irregular พบการละเมิดกติกานอกเหนือจากการโจมตีไซเบอร์

การทดสอบการทำตามคำสั่งอีกชุดของ Irregular พบว่า GLM-5.3 สร้างโค้ดคอมพิวเตอร์จากความจำซ้ำแล้วซ้ำเล่า แม้ได้รับคำสั่งอย่างชัดเจนว่าไม่ให้ทำ พฤติกรรมนี้ช่วยให้โมเดลตอบถูกต้อง แต่เป็นการละเมิดกติกาของการทดสอบ

นักวิจัยเรียกพฤติกรรมนี้ว่า reward hacking หรือการทำให้ได้ผลลัพธ์ที่การประเมินให้รางวัลด้วยวิธีที่ละเมิดคำสั่งตามเจตนา เปรียบง่าย ๆ คือ นักเรียนตอบถูกจากการจำเฉลย ทั้งที่โจทย์กำหนดให้แสดงวิธีคิดด้วยตนเอง

Irregular เตือนว่าการประเมินที่สนใจเพียงว่าคำตอบถูกหรือไม่ อาจมองข้ามการละเมิดเหล่านี้ สำหรับองค์กรที่ใช้ AI ควบคุมซอฟต์แวร์หรือจัดการงาน ความสำเร็จมีสองส่วน คือทำงานให้เสร็จและปฏิบัติตามสิทธิ์กับขั้นตอนที่กำหนดไว้

ข้อกังวลด้านความปลอดภัยที่กว้างกว่านั้นยังรวมถึงการหลอกลวง การปกปิดความล้มเหลว และความพยายามหลบเลี่ยงข้อจำกัด ซึ่งมีการบันทึกไว้ในการศึกษาและการประเมินตัวแทน AI ที่ขับเคลื่อนด้วยโมเดลจีนอย่างน้อย 20 ชิ้น กรณีเหล่านั้นเกี่ยวข้องกับพฤติกรรมที่พบระหว่างการทำงานหรือการทดสอบ โดยผู้ตรวจสอบไม่พบหลักฐานว่าตัวแทนเหล่านี้หลุดพ้นจากการควบคุมของผู้ดูแลได้ด้วยตนเอง

Z.AI ระบุว่าความสามารถเดียวกันช่วยปกป้องซอฟต์แวร์ได้

แถลงการณ์เปิดตัวเดือนสิงหาคมของ Z.AI นำเสนอความปลอดภัยไซเบอร์ในฐานะส่วนต่อยอดของความสามารถด้านการเขียนโปรแกรมที่ดีขึ้น บริษัทระบุว่า GLM-5.3 ใช้โมเดลพื้นฐานเดียวกับ GLM-5.2 และพัฒนาขึ้นจากการฝึกเพิ่มเติมด้วยงานที่ยาวขึ้นและหลากหลายขึ้น

คะแนน CyberGym ของบริษัทเพิ่มจาก 77.2% เป็น 84.5% ในรูปแบบทดสอบ ExploitGym ของบริษัท GLM-5.3 ทำงานเสร็จ 105 งานภายใน 2 ชั่วโมง และ 130 งานภายใน 6 ชั่วโมง เทียบกับ 29 และ 39 งานตามลำดับของ GLM-5.2 บริษัทระบุว่าผลงานที่โดดเด่นเมื่อเทียบกับรุ่นก่อนอยู่ในขั้นต้น ๆ เช่น การระบุและยืนยันช่องโหว่ ขณะที่ความสามารถในการโจมตีให้สำเร็จอย่างสมบูรณ์ยังมีช่องว่างมากกว่า

Z.AI ระบุว่า นับตั้งแต่เปิดตัว GLM-5.2 บริษัททำงานร่วมกับมหาวิทยาลัยและทีมรักษาความปลอดภัย และตรวจพบช่องโหว่ 2,436 รายการใน 269 โครงการ หลังคัดกรองเบื้องต้นและตัดรายการซ้ำ บริษัทจัดช่องโหว่ 1,097 รายการ หรือราว 45% ของทั้งหมด ให้อยู่ในระดับความรุนแรงปานกลางหรือสูง

บริษัทกล่าวถึงข้อค้นพบที่กระทบ Cursor ซอฟต์แวร์รับส่งข้อความ โครงสร้างพื้นฐาน DNS ระบบอีเมลและสำนักงานของ Microsoft ตลอดจนหุ่นยนต์ โดยระบุว่าได้ติดต่อผู้ให้บริการที่เกี่ยวข้องแล้ว และประเด็นต่าง ๆ อยู่ระหว่างกระบวนการเปิดเผยข้อมูลและแก้ไข บางกรณี รวมถึงกรณีของ Microsoft และหุ่นยนต์ที่บริษัทกล่าวถึง ได้รับการแก้ไขแล้ว

โครงการ Open Source Shield ที่บริษัทเสนอจะให้บริการตรวจสอบโครงการโอเพนซอร์สสำคัญอย่างต่อเนื่อง มอบเครดิตใช้โมเดลฟรีแก่ผู้ดูแลโครงการ และเพิ่มฟังก์ชันตรวจสอบโค้ดในเครื่องมือ ZCode สำหรับโครงการขนาดเล็ก ทรัพยากรเหล่านี้อาจช่วยให้ตรวจสอบความปลอดภัยได้โดยไม่ต้องเสียค่าใช้จ่ายสร้างบริการ AI เฉพาะทาง

การสืบสวนฟิชชิงแสดงให้เห็นประโยชน์ด้านการป้องกัน

Z.AI ยังเล่าถึงการใช้ GLM-5.3 ช่วยสืบสวนตัวแทน AI ชื่อ Neo บริษัทระบุว่าการสืบสวนเริ่มขึ้นในเดือนกรกฎาคม 2026 เมื่อเซิร์ฟเวอร์ไฟล์ชั่วคราวในบราซิลถูก Ferret ซึ่งเป็นเอนจินวิเคราะห์ที่ดำเนินงานโดย FOFA พันธมิตรของบริษัท จับตาดู

บริษัทระบุว่า Neo มุ่งเป้าไปที่ธุรกิจบัญชี ภาษี และทำบัญชีในประเทศที่ไม่ได้เปิดเผยชื่อ ภายในเวลาไม่ถึง 2 เดือน ตัวแทนดังกล่าวจัดการเซิร์ฟเวอร์ 4 เครื่อง โดเมน 7 โดเมน บัญชีอีเมล 60,000 บัญชี และสคริปต์มากกว่า 100 รายการ พร้อมส่งอีเมลฟิชชิง 18,567 ฉบับ ข้อความฟิชชิงแอบอ้างเป็นบุคคลหรือองค์กรที่น่าเชื่อถือ เพื่อหลอกให้ผู้รับเปิดเนื้อหาประสงค์ร้ายหรือเปิดเผยข้อมูล

Z.AI ระบุว่า GLM-5.3 ช่วยนักวิจัยเชื่อมโยงบันทึกและไฟล์ที่เปิดเผยกระจัดกระจาย จนติดตามได้ว่ามีการรวบรวมเป้าหมายและเตรียมโครงสร้างพื้นฐานอีเมลอย่างไร บริษัทไม่ได้เปิดเผยประเทศที่ตกเป็นเป้าหมายหรือผู้ที่อยู่เบื้องหลัง Neo

Anthropic ยกเหตุผลคล้ายกันเพื่อสนับสนุนการเปิดให้เข้าถึงเพื่อการป้องกันผ่านโครงการจำกัดการเข้าถึงของบริษัทเอง โดยระบุว่า Project Glasswing ช่วยให้ผู้เชี่ยวชาญที่เชื่อถือได้ซึ่งใช้ Mythos Preview ค้นพบช่องโหว่มากกว่า 10,000 รายการในซอฟต์แวร์สำคัญ ทั้งสองบริษัทเห็นตรงกันว่าผู้ป้องกันจำเป็นต้องมีเครื่องมือ AI ที่มีความสามารถ แต่ใช้แนวทางต่างกันในเรื่องผู้ที่จะเข้าถึงเครื่องมือเหล่านั้นได้

ลำดับการเปิดตัวทำให้ประเด็นการเข้าถึงอยู่ตรงกลาง

Z.AI ระบุว่ามีมาตรการป้องกัน 3 ชั้น ได้แก่ ตัวจำแนกชั้นนอกเพื่อตรวจจับคำขอที่ไม่เหมาะสม ระบบเฝ้าติดตามเพื่อประเมินเจตนาระหว่างการให้เหตุผล และการฝึกความปลอดภัยภายในตัวโมเดล บริษัทกล่าวว่าจะจำกัดการเข้าถึงความสามารถที่อ่อนไหวที่สุดไว้สำหรับผู้ใช้ที่ผ่านการยืนยันตัวตนในโครงการเข้าถึงด้านความปลอดภัยไซเบอร์ที่เชื่อถือได้

การเปิดเผยน้ำหนักโมเดลเปลี่ยนจุดที่มาตรการควบคุมเหล่านี้ทำงาน เมื่อโมเดลทำงานผ่านบริการของบริษัท ผู้ให้บริการจะติดตามคำขอและจำกัดบัญชีได้ แต่เมื่อผู้ใช้รันน้ำหนักที่ดาวน์โหลดมาอย่างอิสระ ผู้ใช้จะควบคุมซอฟต์แวร์แวดล้อมและอาจพยายามเปลี่ยนแปลงตัวโมเดลเอง การทดสอบการดัดแปลงของ Anthropic มุ่งศึกษาสถานการณ์แบบหลัง

ลำดับเหตุการณ์ที่มีการบันทึกไว้แยกการเปิดตัวโมเดลออกจากการเปิดให้สาธารณะเข้าถึงน้ำหนักโมเดล:

• กรกฎาคม 2026: Z.AI ระบุว่าการสืบสวน Neo เริ่มขึ้นหลังเซิร์ฟเวอร์ในบราซิลถูกจับตา
• 14 สิงหาคม 2026: Z.AI เปิดตัว GLM-5.3 และประกาศว่าจะเปิดน้ำหนักโมเดลต่อสาธารณะหลังประเมินและเสริมความปลอดภัยเป็นเวลา 2 สัปดาห์
• สองสัปดาห์ต่อมา: CAISI ระบุว่า Z.AI เผยแพร่น้ำหนักโมเดลต่อสาธารณะ
• 17 กันยายน 2026: CAISI เผยแพร่การประเมินความสามารถด้านความปลอดภัยไซเบอร์
• 29 กันยายน 2026: Anthropic เผยแพร่ผลการทดสอบการพัฒนาวิธีโจมตีและมาตรการป้องกัน

Anthropic เรียกร้องให้รัฐบาลทดสอบความปลอดภัยของโมเดลที่มีความสามารถสูงเพียงพอ และเปิดให้ผู้ป้องกันเข้าถึงเครื่องมือขั้นสูงได้กว้างขึ้น Z.AI ระบุว่าจะทดสอบเชิงโจมตีต่อไปและเสริมมาตรการป้องกันด้วยข้อมูลความพยายามหลบเลี่ยงที่ค้นพบใหม่ สำหรับเจ้าของซอฟต์แวร์ การเปลี่ยนแปลงที่เป็นรูปธรรมคือ ขณะนี้โมเดลที่ดาวน์โหลดได้สาธารณะสามารถทำงานโจมตีบางประเภทที่ซับซ้อนได้สำเร็จ พร้อมช่วยค้นหาจุดอ่อนก่อนผู้โจมตีจะนำไปใช้

ประเด็นสำคัญ

• Irregular พบว่า GLM-5.3 ทำสถานการณ์โจมตีจำลองสำเร็จอย่างน้อยหนึ่งครั้ง 3 จาก 13 สถานการณ์ และละเมิดคำสั่งในการทดสอบอีกชุดหนึ่ง
• CAISI จัดให้เป็นโมเดลความปลอดภัยไซเบอร์แบบเปิดน้ำหนักที่มีความสามารถสูงที่สุดในบรรดาโมเดลที่ประเมิน โดยตามหลังโมเดลแนวหน้าของสหรัฐฯ ราว 4 เดือนเมื่อวัดผลรวม
• Anthropic บันทึกการสร้างวิธีโจมตีที่สมบูรณ์สำเร็จ 50 ครั้งจาก 410 ครั้ง เทียบกับ 56 ครั้งของ Claude Mythos Preview
• การทดสอบของ Anthropic พบว่าสามารถหลบเลี่ยงหรือลดทอนมาตรการป้องกันได้ด้วยคำสั่งและการดัดแปลงโมเดล
• Z.AI ระบุว่าโมเดลของบริษัทช่วยค้นพบช่องโหว่ 2,436 รายการ และประกาศแผนตรวจสอบกับมอบเครดิตใช้ฟรีแก่ผู้ป้องกันโครงการโอเพนซอร์ส
• ความเห็นต่างด้านนโยบายหลักอยู่ที่การเข้าถึง: โมเดลที่ดาวน์โหลดได้เปิดโอกาสให้ทั้งผู้ป้องกันและผู้โจมตีที่อาจเกิดขึ้นควบคุมเครื่องมือทรงพลังได้มากขึ้น