Wyścig zbrojeń w kodzie: Claude Mythos deklasuje konkurencję w tworzeniu exploitów

Bezpieczeństwo przeglądarek internetowych weszło właśnie w nową, niepokojącą fazę rozwoju. Zespół naukowców z Carnegie Mellon University (CMU) zaprezentował wyniki przełomowego testu ExploitBench, który sprawdzał, jak nowoczesne modele językowe radzą sobie z wykorzystywaniem rzeczywistych podatności w silniku V8. To krytyczny komponent napędzający nie tylko Google Chrome i Microsoft Edge, ale także Node.js czy platformy typu serverless takie jak Cloudflare Workers.

Sztuczna inteligencja na poziomie eksperckim

Wyniki eksperymentu są jednoznaczne: model Claude Mythos Preview od Anthropic wykazał się niemal chirurgiczną precyzją w eskalacji ataków. W pięciostopniowej skali trudności, kończącej się na zdalnym wykonaniu dowolnego kodu (RCE), Mythos osiągnął najwyższy poziom w 21 na 41 badanych przypadków. Co istotne, model utrzymywał niemal identyczną skuteczność zarówno z drobnymi wskazówkami od ludzi, jak i w trybie pełnej autonomii.

Seunghyun Lee, współautor badania i uznany łowca błędów, po analizie logów modelu przyznał, że AI działa na poziomie kompetentnego badacza bezpieczeństwa. W jednym z testów Mythos opracował technikę ataku, którą sami naukowcy wcześniej uznali za zbyt skomplikowaną do realizacji. W innym przypadku model zdołał odtworzyć exploit dla luki CVE-2024-0519 – zadanie, które przez ponad rok stanowiło barierę nie do przejścia dla wielu specjalistów.

Dominacja okupiona fortuną

Choć Claude Mythos technologicznie zdeklasował GPT-5.5 od OpenAI, to analiza ekonomiczna stawia zwycięzcę w trudnym położeniu. Koszt pełnej serii testów dla modelu Anthropic wyniósł oszałamiające 36 428 dolarów. Dla porównania, GPT-5.5 wykonał podobną liczbę operacji za nieco ponad 3 tysiące dolarów. To dwunastokrotna przebitka cenowa, która sugeruje, że przewaga Claude’a może wynikać z ogromnej mocy obliczeniowej angażowanej w każdy prompt, a nie tylko z samej architektury algorytmu.

Słabszy wynik GPT-5.5 (średnio 5,51 punktu wobec 9,90 dla Claude’a) oraz zaledwie dwa udane ataki typu RCE pokazują, że OpenAI ma sporo do nadrobienia w dziedzinie precyzyjnego wnioskowania technicznego. Niemniej jednak, niska cena jednostkowa modelu z San Francisco pozostawia pole do optymalizacji poprzez zwiększenie liczby prób lub modyfikację parametrów wnioskowania.

Granice autonomicznego hakowania

Autorzy badania podkreślają, że choć wyniki robią wrażenie, nie oznaczają one jeszcze ery, w której AI samodzielnie paraliżuje sieć. ExploitBench opiera się na znanych już, choć nie zawsze publicznie opisanych, podatnościach. Modele mogły zatem częściowo korzystać z wiedzy zawartej w danych treningowych. Benchmark nie sprawdza jeszcze umiejętności znajdowania zupełnie nowych błędów typu zero-day, a jedynie ich instrumentalizację.

Niemniej jednak, fakt, że AI potrafi przeprowadzić pełny cykl ataku na tak złożonym systemie jak V8, jest sygnałem ostrzegawczym dla branży. Narzędzie, które dziś służy badaczom do testowania odporności kodu, w rękach adwersarzy o dużych zasobach finansowych może stać się bronią o niespotykanej dotąd skali działania.