Los modelos abiertos de IA cierran la brecha de capacidad cibernética con los sistemas cerrados de vanguardia a una fracción del costo
Nuevos resultados de pruebas de la firma de investigación Vals AI muestran que los modelos de lenguaje de pesos abiertos reducen rápidamente la brecha de capacidad en ciberseguridad frente a los mejores modelos cerrados, alcanzando objetivos de ataque complejos con costos de tokens significativamente menores.
La brecha de capacidad entre los modelos de IA de pesos abiertos y los propietarios cerrados en tareas de ciberseguridad autónoma se está reduciendo rápidamente, según nuevos datos de pruebas de la firma de investigación Vals AI.
En las pruebas realizadas en el punto de referencia Vals CyberOffense, los modelos de pesos abiertos de libre disposición se acercaron al desempeño de los sistemas cerrados de primer nivel mientras ejecutaban ataques de red de múltiples etapas a una pequeñísima fracción del costo operativo.
Explotación Autónoma de Redes Corporativas
La evaluación Vals CyberOffense pone a prueba a agentes de IA en entornos de ataque aislados que simulan redes corporativas realistas. Cada modelo opera en solitario en una máquina Kali Linux aislada sin ninguna ayuda humana, comenzando únicamente con una dirección web pública. Para tener éxito, el agente de IA debe emitir instrucciones de línea de comandos, vulnerar aplicaciones web, navegar por servidores Windows y escalar privilegios para obtener el control administrativo total. Todos los comandos y acciones se registran externamente y se califican automáticamente en dos conjuntos principales de escenarios: Nova (21 objetivos) y Lighthouse (31 objetivos).
En las pruebas de rendimiento, GPT-6 Sol Daybreak —un modelo desarrollado bajo el programa cibernético restringido Daybreak de OpenAI— obtuvo la puntuación general más alta, alcanzando el 80.8 por ciento de los objetivos de ataque. En la prueba multiempresa Lighthouse, Daybreak asumió con éxito el control administrativo de una empresa inicial, recolectó contraseñas y se movió lateralmente hacia la red de una segunda empresa, completando 27 de los 31 objetivos en menos de tres horas.
Sin embargo, el modelo de pesos abiertos Deepseek V4.1 Flash 1017 se mantuvo muy de cerca, logrando una tasa general de cumplimiento de objetivos del 72.8 por ciento. En la prueba Nova, Deepseek superó de hecho a Daybreak, promediando 16.3 objetivos completados (con un rango de 15 a 18) en comparación con los 15.7 de Daybreak (con un rango de 12 a 19).
Crucialmente, Deepseek ejecutó sus procesos aproximadamente por $3 cada uno, en comparación con los cerca de $22 por ejecución de GPT-6 Sol Daybreak.
| Modelo | Puntuación Nova (sobre 21) | Puntuación Lighthouse (sobre 31) |
|---|---|---|
| GPT-6 Sol Daybreak | 15.7 (prom.) | 27 |
| Deepseek V4.1 Flash 1017 | 16.3 (prom.) | 21 |
| Kimi K3.1 Pro | 13 | 20 |
| Meta Wonder | 7 | 28 |
| Grok 4.7 | 12 | 16 |
| Kimi K3 | 9 | 10 |
| GLM 5.3 Flash | 5 | 5 |
El modelo abierto de Meta, Meta Wonder, mostró un desempeño particularmente sólido en el escenario más complejo, completando 28 de los 31 objetivos en la prueba Lighthouse a pesar de una puntuación Nova menor, de 7.
Los Tiempos de Ejecución de Tokens Extendidos Revelan Capacidades Reales
Un hallazgo clave de la investigación es el impacto de la duración del cómputo en el rendimiento de los modelos abiertos. Las evaluaciones de rendimiento cortas suelen subestimar a los modelos abiertos debido a que su progreso de ataque requiere un procesamiento de contexto más prolongado.
Durante las pruebas, Deepseek V4.1 Flash obtuvo cero objetivos en sus primeros 25 millones de tokens procesados. El modelo solo comenzó a lograr avances significativos tras superar la marca de los 100 millones de tokens. Los investigadores señalaron que la mayoría de los modelos abiertos chinos evaluados no lograron un progreso significativo hasta rebasar este umbral de 100 millones de tokens, lo que resalta que las pruebas de seguridad de corta duración pasan por alto el potencial operativo de estos sistemas.
Reducción de Cronogramas y Asimetrías de Costos
Los hallazgos de Vals AI reflejan una tendencia más amplia confirmada por organizaciones de seguridad pública. Un análisis publicado en julio por el Instituto de Seguridad de IA del Reino Unido (AISI, por sus siglas en inglés) señaló que la brecha de capacidad entre los modelos de pesos abiertos y los cerrados de vanguardia en dominios cibernéticos se había reducido a entre cuatro y siete meses, por debajo de los seis a diez meses observados durante la mayor parte de 2025.
Las disparidades de costos entre las ofertas abiertas y cerradas siguen siendo abismales. Según los datos de evaluación de AISI, ejecutar una prueba de campo cibernético con Deepseek V4-Pro cuesta $1.19, frente a los $85 de Opus 4.5 de Anthropic. Además, las barreras de seguridad integradas en los modelos de pesos abiertos demostraron ser en gran medida ineficaces una vez que los pesos estuvieron accesibles, ya que los usuarios no enfrentan restricciones de proveedores centrales sobre la ejecución de comandos.
Hallazgos complementarios de Anthropic revelaron que el modelo de libre acceso GLM-5-3 puede construir exploits de seguridad a niveles de capacidad que casi igualan al modelo interno de vanguardia de Anthropic, Mythos.
Implicaciones Defensivas
Los investigadores de Vals AI recalcaron que, una vez que se publican los pesos de un modelo, los proveedores pierden la capacidad técnica para controlar o revocar el acceso a capacidades peligrosas. En consecuencia, se prevé que los ataques de red en el mundo real que utilicen agentes de IA automatizados aumenten en los próximos meses.
Sin embargo, los investigadores señalaron que la tendencia ofrece una oportunidad esencial para los equipos de ciberseguridad: los mismos modelos de pesos abiertos capaces de sondear redes corporativas pueden ser implementados localmente por los defensores de la seguridad para auditar sistemas, descubrir vulnerabilidades de día cero y parchar fallas de seguridad antes de que los actores maliciosos puedan explotarlas.
