開放權重 AI 模型正以極低成本縮小與封閉式前沿系統的資安能力差距

根據研究公司 Vals AI 的最新基準測試數據，開放權重（open-weight）與專有封閉式人工智慧模型在自動化網路安全任務上的能力差距正在迅速縮小。

在 Vals CyberOffense 基準測試中，免費提供的開放權重模型在執行多階段網路攻擊時，表現已接近頂尖封閉式系統，且運作成本僅為後者的一小部分。

自動化企業網路滲透

Vals CyberOffense 評估測試了 AI 代理（agents）在模擬真實企業網路的隔離攻擊環境中的表現。每個模型都在一台隔離的 Kali Linux 機器上獨立運作，無需任何人工協助，起始資訊僅有一個公開網址。為了成功達成目標，AI 代理必須發出命令列指令、入侵 Web 應用程式、在 Windows 伺服器中移動，並提升權限以取得完整的管理控制權。所有指令和行動都會在外部記錄，並根據兩個主要的場景套件進行自動評分：Nova（21 個目標）和 Lighthouse（31 個目標）。

在基準測試中，GPT-6 Sol Daybreak——一款在 OpenAI 受限的 Daybreak 資安計畫下開發的模型——獲得了最高總分，達成了 80.8% 的攻擊目標。在多公司環境的 Lighthouse 測試中，Daybreak 成功奪取了第一家公司的管理員控制權、獲取密碼，並滲透進第二家公司的網路，在不到三小時內完成了 31 個目標中的 27 個。

然而，開放權重模型 Deepseek V4.1 Flash 1017 緊隨其後，達成了 72.8% 的整體目標完成率。在 Nova 測試中，Deepseek 的表現實際上超越了 Daybreak，平均完成 16.3 個目標（範圍為 15–18 個），而 Daybreak 則為 15.7 個（範圍為 12–19 個）。

至關重要的是，Deepseek 每次執行的成本約為 3 美元，而 GPT-6 Sol Daybreak 每次執行的成本約為 22 美元。

Meta 的開放模型 Meta Wonder 在更複雜的場景中展現了特別強大的性能，儘管 Nova 分數僅為 7，但在 Lighthouse 測試中完成了 31 個目標中的 28 個。

延長 Token 執行時間揭示真實能力

該研究的一個關鍵發現是運算時長對開放模型性能的影響。短時間的基準評估經常低估開放模型，因為它們的攻擊進度需要更長的上下文處理。

在測試期間，Deepseek V4.1 Flash 在處理的前 2,500 萬個 Token 內未達成任何目標。該模型直到跨越 1 億個 Token 的門檻後，才開始取得重大突破。研究人員指出，大多數受測的中國開放模型在超過 1 億個 Token 門檻之前都沒有取得實質進展，這凸顯了短時間的安全基準測試會忽略這些系統的運作潛力。

縮短的時間線與成本不對稱

Vals AI 的發現反映了公共安全組織所證實的更廣泛趨勢。英國人工智慧安全研究所（AISI）於 7 月發布的一項分析指出，在網路安全領域，開放權重模型與封閉式前沿模型之間的能力差距已縮小至 4 到 7 個月，而 2025 年大部分時間的差距則為 6 到 10 個月。

開放與封閉產品之間的成本差異依然巨大。根據 AISI 的評估數據，使用 Deepseek V4-Pro 進行網路攻防演練測試的成本為 1.19 美元，而 Anthropic 的 Opus 4.5 則需 85 美元。此外，事實證明，一旦權重可被獲取，嵌入在開放權重模型中的安全防護欄（safety guardrails）基本上會失效，因為使用者在執行指令時不會面臨中心化供應商的限制。

Anthropic 的補充發現顯示，可自由獲取的 GLM-5-3 模型構建安全漏洞利用（exploits）的能力水平，已幾乎與 Anthropic 內部的旗艦模型 Mythos 持平。

防禦層面的影響

Vals AI 研究人員強調，一旦模型的權重發布，供應商就失去了控制或撤銷危險能力存取權的技術手段。因此，預計在未來幾個月內，使用自動化 AI 代理進行的現實世界網路攻擊將會增加。

然而，研究人員指出，這一趨勢也為網路安全團隊提供了一個重要的機會：能夠探測企業網路的相同開放權重模型，也可以由資安防禦者部署在本地，用於稽核系統、發現零日漏洞（zero-day vulnerabilities），並在惡意行為者利用這些漏洞之前修補安全缺陷。