គំរូចិនដែលមានទម្ងន់បើកចំហដែលអ្នកណាម្នាក់អាចទាញយកបានស្ទើរតែត្រូវគ្នានឹងគំរូអ៊ីនធឺណិតដែលមានសមត្ថភាពបំផុតរបស់ OpenAI ក្នុងការបំបែកចូលទៅក្នុងបណ្តាញសាជីវកម្មដែលក្លែងធ្វើ នេះបើយោងតាមលទ្ធផលស្តង់ដារថ្មីពីក្រុមហ៊ុនវាយតម្លៃ Vals រាយការណ៍ដោយ WIRED ។

នៅក្នុងការធ្វើតេស្ត CyberOffense របស់ Vals, OpenAI's GPT-6 Sol - ដែលក្រុមហ៊ុនផ្តល់ជូនតែតាមរយៈកម្មវិធីអ៊ីនធឺណេត Daybreak ដែលត្រូវបានរឹតបន្តឹង - បានបញ្ចប់ប្រហែល 81 ភាគរយនៃគោលបំណង។ DeepSeek V4.1 Flash ដែលជាការចេញផ្សាយទម្ងន់បើកចំហដោយឥតគិតថ្លៃបានបញ្ចប់ប្រហែល 73 ភាគរយនៃគោលបំណងដូចគ្នាដែលដំណើរការជាភ្នាក់ងារស្វ័យភាពពេញលេញ។ អ្នកតាមដានផ្សេងទៀតបានដាក់លេខចំណងជើងរបស់ DeepSeek នៅ 72.8 ភាគរយ។

Vals បានសរសេរនៅក្នុងលទ្ធផលរបស់វាថា "សមត្ថភាពអ៊ិនធឺណិតដែលត្រូវបានកំណត់ចំពោះ AI ដែលអាចជឿទុកចិត្តបានឥឡូវនេះអាចរកបានសម្រាប់នរណាម្នាក់" ។ អ្នកស្រាវជ្រាវ Vals Nikil Ravi បានប្រាប់ WIRED ថា ម៉ូដែលល្អបំផុតដែលចាក់សោរនៅខាងក្នុងមន្ទីរពិសោធន៍ AI គឺ "ចាប់ផ្តើមត្រូវបានផ្គូផ្គងដោយម៉ូដែលបើកចំហដែលនរណាម្នាក់អាចទាញយកបាន" ។

របៀបដែល Vals ដំណើរការសាកល្បង

Vals 'CyberOffense benchmark ប្រើជួរអ៊ីនធឺណិតដែលក្លែងធ្វើពីរ។ ទីមួយហៅថា Nova គឺជាបណ្តាញ Windows គោលបំណង 21 ដែលលាតសន្ធឹងលើដែន Active Directory ជាច្រើន។ ទីពីរ Lighthouse មានគោលបំណងចំនួន 31 នៅទូទាំងក្រុមហ៊ុនចំនួនពីរ ដែលភ្នាក់ងារត្រូវតែកាន់កាប់បណ្តាញមួយជាមុនសិន ហើយបន្ទាប់មកប្រើប្រាស់ព័ត៌មានសម្ងាត់ និងព័ត៌មានដែលបានរកឃើញនៅទីនោះ ដើម្បីបំបែកចូលទៅក្នុងទីពីរ ដែលជាសេណារីយ៉ូដែលឆ្លុះបញ្ចាំងពីការឈ្លានពានពហុដំណាក់កាលនៃពិភពពិត។

ម៉ូដែលនីមួយៗដំណើរការនៅក្នុងភ្នាក់ងារ Open-source Pi នៅលើម៉ាស៊ីន Kali Linux ដាច់ដោយឡែក ជាមួយនឹងពេលវេលាកំណត់រយៈពេល 48 ម៉ោង និងថវិកាចំនួន 500 លានរូប។ សំខាន់ Vals បានបញ្ចូលវត្ថុបំណងតែនៅពេលដែលសញ្ញាសម្គាល់ដែលលាក់លេចឡើងនៅក្នុងលទ្ធផលពាក្យបញ្ជា - មិនដែលតាមការអះអាងរបស់ម៉ូដែលផ្ទាល់ដែលថាវាបានទទួលជោគជ័យនោះទេ។

លេខ និងគម្លាតថ្លៃដើម

DeepSeek ជាមធ្យម 16.3 នៃវត្ថុបំណង 21 របស់ Nova ដែលតាមពិតទៅ 15.7 របស់ Daybreak នៅលើបណ្តាញដំបូង។ Daybreak បានឈានទៅមុខនៅលើជួរ Lighthouse ដែលពិបាកជាង ដោយបានបំពេញគោលបំណង 27 ក្នុងចំណោម 31 ទៅកាន់ DeepSeek's 21។

ភាពខុសគ្នាខ្លាំងជាងនេះគឺការចំណាយ។ WIRED បានដាក់តម្លៃនៃការវាយប្រហារពេញលេញប្រហែល 2 ទៅ 3 ដុល្លារសម្រាប់ DeepSeek ធៀបនឹង 17 ដុល្លារទៅ 46 ដុល្លារសម្រាប់ GPT-6 Sol ។ នៅលើជួរ Nova ជាពិសេស DeepSeek បានបញ្ចប់ការងាររបស់ខ្លួនក្នុងតម្លៃក្រោម 3 ដុល្លារក្នុងមួយដំណើរការធៀបនឹង $22 សម្រាប់ Daybreak ។

Vals ក៏បានសង្កេតឃើញថា DeepSeek មិនបានបញ្ចប់អ្វីទាំងអស់នៅក្នុងថូខឹន 25 លានដំបូងរបស់ខ្លួន ហើយបានធ្វើឱ្យភាគច្រើននៃការរីកចម្រើនរបស់វាបន្ទាប់ពី 100 លាន - ទម្រង់ល្បឿនដែលបង្ហាញពីការវាយតម្លៃខ្លីៗដែលគ្របដណ្តប់ដោយការគណនាជាប្រព័ន្ធបង្ហាញពីអ្វីដែលម៉ូដែលបើកចំហដែលមានតំលៃថោកអាចផ្តល់ពេលវេលា និងថវិកាបាន។

របៀប​ដែល​ម៉ូដែល​ផ្សេង​ទៀត​បាន​ចេញ

DeepSeek មិន​បាន​ដឹក​នាំ​វាល​ទម្ងន់​ចំហ​ដោយ​មិន​មាន​ការ​ប្រកួត​ប្រជែង — ប៉ុន្តែ​គ្មាន​នរណា​ម្នាក់​ផ្សេង​ទៀត​ចាប់​បាន​វា​។ Kimi K3.1 Pro, Meta's Wonder, និង xAI's Grok 4.7 ទាំងអស់បានបញ្ចប់នៅពីក្រោយ DeepSeek ក្នុងការប្រៀបធៀបម៉ូដែលប្រាំពីររបស់ Vals ។

GLM 5.3 Flash របស់ Z.ai បានមកដល់ចុងក្រោយ ដោយបានបំពេញនូវគោលបំណងចំនួនប្រាំនៅលើជួរនីមួយៗ។ Vals បានហៅវាថា "ចុងបញ្ចប់ដ៏ច្បាស់បំផុត" នៃក្រុម៖ នៅលើជួរមួយ ម៉ូដែលបានចំណាយពេលប្រហែល 36 ម៉ោង ដែលភាគច្រើននៃវាធ្វើការស្ទង់មតិការងារផ្ទៃខាងក្រោយដែលមិនដែលបានត្រឡប់មកវិញ។

អ្នកវាយតម្លៃផ្សេងទៀតវាយតម្លៃគំរូ GLM-5.3 ពេញលេញខ្ពស់គួរឱ្យកត់សម្គាល់លើកិច្ចការអ៊ីនធឺណិត។ ក្រុមហ៊ុនសាកល្បង Irregular បានរកឃើញថាវាបានបញ្ចប់ 3 នៃ 13 សេណារីយ៉ូនៃការវាយប្រហារពហុដំណាក់កាល ដែលជាលទ្ធផលល្អបំផុតដែលវាបានកត់ត្រាពីគំរូដែលអាចប្រើបាន ហើយ NIST បានហៅវាថាជាគំរូអ៊ីនធឺណិតទម្ងន់បើកចំហដែលមានសមត្ថភាពបំផុតដែលបានចេញផ្សាយរហូតមកដល់បច្ចុប្បន្ន ដោយប៉ាន់ស្មានថាវាស្ថិតនៅប្រហែល 4 ខែនៅពីក្រោយប្រព័ន្ធឈានមុខរបស់សហរដ្ឋអាមេរិក។ Anthropic ដាច់ដោយឡែកបានប្រាប់រ៉យទ័រថា GLM-5.3 បានបង្កើតការកេងប្រវ័ញ្ចការងារនៅក្នុងការប៉ុនប៉ង 12 ភាគរយធៀបនឹង 14 ភាគរយសម្រាប់ Claude Mythos របស់ខ្លួន។ Vals កត់សំគាល់ថា ទាំងនេះគឺជាការធ្វើតេស្តផ្សេងៗគ្នា ដែលពិន្ទុមិនអាចប្រៀបធៀបដោយផ្ទាល់ជាមួយលទ្ធផល CyberOffense បានទេ។

ហេតុអ្វីវាសំខាន់

លទ្ធផលនេះបានធ្វើឱ្យមានការជជែកដេញដោលជាបន្តបន្ទាប់អំពីការការពារសុវត្ថិភាពជុំវិញសមត្ថភាពអ៊ីនធឺណេត AI ព្រំដែន។ កម្មវិធី Daybreak របស់ OpenAI មានជាពិសេសដើម្បីរក្សាគំរូអ៊ីនធឺណេតដែលមានសមត្ថភាពខ្ពស់នៅពីក្រោយការត្រួតពិនិត្យអត្តសញ្ញាណ និងការចូលប្រើដែលបានដាក់កម្រិត ដោយទ្រឹស្តីដែលថាសមត្ថភាពអ៊ីនធឺណេតដែលវាយលុកមិនគួរត្រូវបានចែកចាយដោយសេរីនោះទេ។ ការទាញយកដោយឥតគិតថ្លៃដែលតាមពីក្រោយគំរូដែលបានដាក់កម្រិតត្រឹមតែពីរបីចំណុចប៉ុណ្ណោះ — ខណៈពេលដែលការចំណាយលើការបញ្ជាទិញតិចជាងមួយប្រតិបត្តិការ — ធ្វើអោយរូបភាពនោះមានភាពស្មុគស្មាញយ៉ាងខ្លាំង។

វាក៏សំខាន់ផងដែរសម្រាប់អ្នកការពារ។ ក្រុមសន្តិសុខដែលមានគម្រោងប្រឆាំងនឹងអ្នកវាយប្រហារដែលមានជំនួយ AI មិនអាចសន្មត់ថាសមត្ថភាពវាយលុកដោយស្វ័យភាពធ្ងន់ធ្ងរតម្រូវឱ្យចូលប្រើគំរូដែលបានដាក់កំហិតរបស់មន្ទីរពិសោធន៍ ឬថវិកាធំ។ ដូចដែលការលើកឡើងផ្ទាល់របស់ Vals កម្រិតសមត្ថភាពកំពុងកើនឡើងលឿនជាងការគ្រប់គ្រងការចូលប្រើអាចផ្ទុកវាបាន។

OpenAI មិនបានធ្វើអត្ថាធិប្បាយលើការប្រៀបធៀបនៅក្នុងរបាយការណ៍នោះទេ។ DeepSeek មិនបានឆ្លើយតបភ្លាមៗចំពោះសំណើសុំការអត្ថាធិប្បាយទេ។

ការប្រកួតប្រជែងវិធីសាស្រ្តសាកល្បង

លើសពីពិន្ទុចំណងជើង លទ្ធផលមានមេរៀនមួយអំពីរបៀបដែលសមត្ថភាព AI cyber ត្រូវបានវាស់។ ជម្រើសនៃការរចនារបស់ Vals — បង្អួចរយៈពេល 48 ម៉ោងដ៏វែង ថវិកាពាក់កណ្ដាលពាន់លាន និងការផ្ទៀងផ្ទាត់តាមរយៈសញ្ញាសម្គាល់ដែលលាក់ជាជាងជោគជ័យដែលរាយការណ៍ដោយខ្លួនឯង — ត្រូវបានគេមើលឃើញកាន់តែខ្លាំងឡើងថាចាំបាច់ដើម្បីវាយតម្លៃប្រព័ន្ធភ្នាក់ងារដោយយុត្តិធម៌។ ការ​រត់​ការ​សាកល្បង​ខ្លី​ជាង និង​ថោក​ទំនង​ជា​បាន​ពិន្ទុ DeepSeek ទាប​ជាង​ដោយ​សារ​ការ​ចាប់​ផ្តើម​យឺត​របស់​វា សមត្ថភាព​លាក់​បាំង​ដែល​លេច​ចេញ​ជា​មួយ​នឹង​ការ​គណនា​កាន់​តែ​ច្រើន​។

នោះមានផលវិបាកជាក់ស្តែងសម្រាប់គោលនយោបាយ។ ការរឹតបន្តឹងការចូលប្រើដូចជាកម្មវិធី Daybreak របស់ OpenAI ត្រូវបានក្រិតតាមខ្នាតធៀបនឹងសមត្ថភាពវាស់វែង ហើយប្រសិនបើវិធីសាស្ត្រវាយតម្លៃបញ្ជាក់ជាប្រព័ន្ធនូវអ្វីដែលម៉ូដែលបើកចំហអាចធ្វើបាននោះ ផ្លូវការពារអាចយឺតជាងការពិត។ តារាងពិន្ទុ CyberOffense របស់ Vals ដែលក្រុមហ៊ុននិយាយថា ខ្លួននឹងបន្តធ្វើបច្ចុប្បន្នភាព ទំនងជានឹងក្លាយជាតារាងពិន្ទុដែលត្រូវបានគេមើលយ៉ាងជិតស្និទ្ធបំផុតនៅក្នុងសហគមន៍សន្តិសុខ AI ជាលទ្ធផល។

សម្រាប់ពេលនេះ សារពីទិន្នន័យមានភាពមិនច្បាស់លាស់៖ គម្លាតរវាងមន្ទីរពិសោធន៍ដែលការពារពីកម្មវិធីដែលបានដាក់កម្រិត និងអ្វីដែលនរណាម្នាក់អាចទាញយកបានធ្លាក់ចុះដល់ចំណុចដែលវាអាចនឹងត្រូវវាស់វែងក្នុងពេលឆាប់ៗនេះជាជាងជំនាន់នៃម៉ូដែល។

នាំមុខ AI

តាមដានរាល់ការចេញផ្សាយម៉ូដែល ការប្រកួតគោល និងសមត្ថភាពលោតនៅកន្លែងតែមួយនៅ AI Buzz Wire។

អានព័ត៌មាន AI បន្ថែម →