Un modelo chino de peso abierto que cualquiera puede descargar casi ha igualado el modelo cibernético más capaz de OpenAI para irrumpir en redes corporativas simuladas, según nuevos resultados comparativos de la firma de evaluación Vals informados por WIRED.
En las pruebas CyberOffense de Vals, el GPT-6 Sol de OpenAI, que la compañía ofrece sólo a través de su programa cibernético Daybreak de acceso restringido, completó aproximadamente el 81 por ciento de los objetivos. DeepSeek V4.1 Flash, una versión gratuita y de peso abierto, completó aproximadamente el 73 por ciento de los mismos objetivos, ejecutándose como un agente totalmente autónomo. Otros rastreadores sitúan la cifra principal de DeepSeek en un 72,8 por ciento.
"La capacidad cibernética que estaba limitada a la IA de acceso confiable ahora está disponible para cualquiera", escribió Vals en sus resultados. El investigador de Vals, Nikil Ravi, dijo a WIRED que los mejores modelos encerrados dentro de los laboratorios de IA están "comenzando a ser igualados por modelos abiertos que cualquiera puede descargar".
Cómo realizó Vals la prueba
El punto de referencia CyberOffense de Vals utiliza dos rangos cibernéticos simulados. La primera, llamada Nova, es una red Windows de 21 objetivos que abarca varios dominios de Active Directory. El segundo, Lighthouse, contiene 31 objetivos en dos empresas, donde el agente primero debe hacerse cargo de una red y luego usar las credenciales y la información encontrada allí para ingresar a la segunda, un escenario que refleja las intrusiones de múltiples etapas del mundo real.
Cada modelo se ejecutó en el agente Pi de código abierto en una máquina Kali Linux aislada, con un límite de tiempo de 48 horas y un presupuesto de 500 millones de tokens. Es importante destacar que Vals acreditaba un objetivo sólo cuando aparecían marcadores ocultos en la salida del comando, nunca cuando el propio modelo afirmaba que había tenido éxito.
Los números y la brecha de costos
DeepSeek promedió 16,3 de los 21 objetivos de Nova, superando de hecho los 15,7 de Daybreak en la primera red. Daybreak se adelantó en el rango más difícil de Lighthouse, completando 27 de 31 objetivos frente a los 21 de DeepSeek.
La diferencia más sorprendente fue el costo. WIRED estimó el precio de un ataque completo en aproximadamente 2 a 3 dólares para DeepSeek, frente a 17 a 46 dólares para GPT-6 Sol. Específicamente en la gama Nova, DeepSeek completó su trabajo por menos de $3 por ejecución, frente a los $22 de Daybreak.
Vals también observó que DeepSeek no completó nada en sus primeros 25 millones de tokens y logró la mayor parte de su progreso después de 100 millones, un perfil de ritmo que sugiere que evaluaciones breves y limitadas por computación subestiman sistemáticamente lo que los modelos abiertos baratos pueden hacer con el tiempo y el presupuesto.
Cómo les fue a otros modelos
DeepSeek no lideró el campo de los pesos abiertos sin oposición, pero nadie más lo atrapó. Kimi K3.1 Pro, Meta's Wonder y Grok 4.7 de xAI terminaron detrás de DeepSeek en la comparación de siete modelos de Vals.
El GLM 5.3 Flash de Z.ai quedó último, completando cinco objetivos en cada rango. Vals lo llamó "el callejón sin salida más claro" del grupo: en un campo, el modelo pasó alrededor de 36 horas, gran parte de las cuales sondeó un trabajo en segundo plano que nunca regresó.
Otros evaluadores valoran considerablemente mejor el modelo GLM-5.3 completo en tareas cibernéticas. La empresa de pruebas Irregular descubrió que completó 3 de 13 escenarios de ataque de múltiples etapas (el mejor resultado que ha registrado de un modelo disponible abiertamente) y el NIST lo calificó como el modelo cibernético de peso abierto más capaz lanzado hasta la fecha, estimando que está unos cuatro meses por detrás de los principales sistemas estadounidenses. Anthropic dijo por separado a Reuters que GLM-5.3 desarrolló exploits funcionales en el 12 por ciento de los intentos, frente al 14 por ciento de su Claude Mythos. Vals señala que se trata de pruebas diferentes cuyas puntuaciones no se pueden comparar directamente con los resultados de CyberOffense.
Por qué es importante
Los resultados agudizan un debate en curso sobre las barreras de seguridad que rodean las capacidades cibernéticas de la IA en la frontera. El programa Daybreak de OpenAI existe específicamente para mantener los modelos cibernéticos de alta capacidad detrás de controles de identidad y acceso restringido, basándose en la teoría de que la capacidad cibernética ofensiva no debe distribuirse libremente. Una descarga gratuita que está a sólo unos pocos puntos de un modelo restringido, aunque cuesta un orden de magnitud menos por operación, complica considerablemente ese panorama.
También es importante para los defensores. Los equipos de seguridad que planifican contra los atacantes asistidos por IA ya no pueden asumir que una capacidad ofensiva autónoma seria requiere acceso a los modelos restringidos de un laboratorio o un gran presupuesto. Como sugiere el propio marco de Vals, el piso de capacidad está aumentando más rápido de lo que los controles de acceso pueden contener.
OpenAI no hizo comentarios sobre la comparación en los informes. DeepSeek no respondió de inmediato a las solicitudes de comentarios.
Un desafío de metodología de prueba
Más allá de las puntuaciones principales, los resultados contienen una lección sobre cómo se miden las capacidades cibernéticas de la IA. Las opciones de diseño de Vals (largas ventanas de 48 horas, presupuestos de 500 millones de tokens y verificación a través de marcadores ocultos en lugar de éxito autoinformado) se consideran cada vez más necesarias para evaluar los sistemas agentes de manera justa. Ejecuciones de prueba más cortas y más baratas probablemente habrían obtenido una puntuación de DeepSeek mucho más baja dado su lento inicio, enmascarando las capacidades que surgieron con más computación.
Esto tiene consecuencias prácticas para la política. Las restricciones de acceso, como el programa Daybreak de OpenAI, se calibran en función de la capacidad medida, y si los métodos de evaluación subestiman sistemáticamente lo que pueden hacer los modelos abiertos, las barreras de seguridad pueden quedar rezagadas con respecto a la realidad. Como resultado, es probable que la tabla de clasificación CyberOffense de Vals, que la empresa afirma que seguirá actualizando, se convierta en una de las tablas de puntuación más seguidas en la comunidad de seguridad de la IA.
Por ahora, el mensaje de los datos es contundente: la brecha entre lo que los laboratorios guardan detrás de programas restringidos y lo que cualquiera puede descargar se está reduciendo hasta el punto de que pronto podría medirse en meses en lugar de generaciones de modelos.
Manténgase por delante de la IA
Realice un seguimiento de cada lanzamiento de modelo, combate de referencia y salto de capacidad en un solo lugar en AI Buzz Wire.
Leer más noticias sobre IA →
