အခမဲ့ DeepSeek V4.1 Flash သည် AI Hacking Benchmark တွင် OpenAI ၏ကန့်သတ်ထားသော GPT-6 Sol နီးပါးနှင့် ကိုက်ညီသည်

မည်သူမဆို ဒေါင်းလုဒ်လုပ်နိုင်သည့် အဝလွန်သည့် တရုတ်မော်ဒယ်လ်သည် အတုယူထားသော ကော်ပိုရိတ်ကွန်ရက်များအတွင်းသို့ ဖောက်ထွင်းဝင်ရောက်ရာတွင် OpenAI ၏ စွမ်းရည်အရှိဆုံး ဆိုက်ဘာမော်ဒယ်နှင့် ကိုက်ညီလုနီးပါးရှိကြောင်း WIRED မှ အကဲဖြတ်သည့် ကုမ္ပဏီ Vals ၏ စံရလဒ်အသစ်များအရ သိရသည်။

Vals ၏ CyberOffense စမ်းသပ်မှုတွင် ကုမ္ပဏီက ၎င်း၏ ကန့်သတ်ဝင်ရောက်ခွင့် Daybreak ဆိုက်ဘာပရိုဂရမ်မှတဆင့်သာ ပေးဆောင်သည့် OpenAI ၏ GPT-6 Sol သည် ရည်မှန်းချက် ၈၁ ရာခိုင်နှုန်းခန့် ပြီးမြောက်ခဲ့သည်။ DeepSeek V4.1 Flash သည် အခမဲ့အလေးချိန်ထုတ်လွှတ်မှုတွင် အပြည့်အဝကိုယ်ပိုင်အုပ်ချုပ်ခွင့်ရအေးဂျင့်အဖြစ် လုပ်ဆောင်နေသည့် တူညီသောရည်မှန်းချက်များ၏ 73 ရာခိုင်နှုန်းခန့်ကို ပြီးမြောက်ခဲ့သည်။ အခြားသော ခြေရာခံသူများသည် DeepSeek ၏ ခေါင်းစီးနံပါတ်ကို 72.8 ရာခိုင်နှုန်းတွင် ထည့်သွင်းထားသည်။

"ယုံကြည်စိတ်ချရသောဝင်ရောက်ခွင့် AI ကိုကန့်သတ်ထားသည့်ဆိုက်ဘာစွမ်းရည်ကိုမည်သူမဆိုရရှိနိုင်ပါပြီ" ဟု Vals က၎င်း၏ရလဒ်များတွင်ရေးသားခဲ့သည်။ Vals မှ သုတေသီ Nikil Ravi က AI ဓာတ်ခွဲခန်းအတွင်း သော့ခတ်ထားသော အကောင်းဆုံး မော်ဒယ်များသည် မည်သူမဆို ဒေါင်းလုဒ်လုပ်နိုင်သော အဖွင့်မော်ဒယ်များဖြင့် စတင်နေပြီ ဖြစ်ကြောင်း WIRED သို့ ပြောကြားခဲ့သည်။

Vals မည်ကဲ့သို့ စမ်းသပ်ခဲ့သနည်း။

Vals' CyberOffense စံညွှန်းသည် အတုယူထားသော ဆိုက်ဘာအပိုင်းအခြားနှစ်ခုကို အသုံးပြုသည်။ ပထမဆုံး Nova ဟုခေါ်သော 21-objective Windows network တစ်ခုသည် Active Directory domains အများအပြားကို လွှမ်းခြုံထားသည်။ ဒုတိယ၊ Lighthouse တွင် ကုမ္ပဏီနှစ်ခုတွင် ရည်မှန်းချက် ၃၁ ခုပါ၀င်ပြီး အေးဂျင့်သည် ကွန်ရက်တစ်ခုသို့ ဦးစွာရယူပြီးနောက် ဒုတိယသို့ ဖောက်ထွင်းဝင်ရောက်ရန် တွေ့ရှိသောအထောက်အထားများနှင့် အချက်အလက်များကို အသုံးပြုရပါမည် — တကယ့်ကမ္ဘာပေါ်ရှိ စင်မြင့်ပေါင်းစုံမှ ကျူးကျော်ဝင်ရောက်မှုများကို ထင်ဟပ်စေသည့် မြင်ကွင်းတစ်ခုဖြစ်သည်။

မော်ဒယ်တစ်ခုစီသည် ၄၈ နာရီအချိန်ကန့်သတ်ချက်နှင့် တိုကင်ဘတ်ဂျက်ငွေ သန်း 500 ပါသော သီးခြား Kali Linux စက်တစ်ခုရှိ open-source Pi အေးဂျင့်တွင် ပါဝင်ခဲ့သည်။ အရေးကြီးသည်မှာ၊ Vals သည် command output တွင် လျှို့ဝှက်အမှတ်အသားများ ပေါ်လာမှသာ ရည်ရွယ်ချက်တစ်ခုကို မှတ်တမ်းတင်ခဲ့သည် — ၎င်းသည် အောင်မြင်ကြောင်း မော်ဒယ်၏ကိုယ်ပိုင်တောင်းဆိုချက်တွင် ဘယ်သောအခါမှ မဖော်ပြပါ။

နံပါတ်များနှင့် ကုန်ကျစရိတ်ကွာဟမှု

DeepSeek သည် Nova ၏ 21 ရည်မှန်းချက်များအနက် 16.3 ကို ပျမ်းမျှအားဖြင့် 16.3 ဖြင့် တွက်ချက်ထားပြီး အမှန်တကယ်တွင် Daybreak ၏ 15.7 ကို ပထမကွန်ရက်တွင် မြှင့်တင်ထားသည်။ Daybreak သည် DeepSeek's 21 သို့ ရည်မှန်းချက် 31 ခုအနက် 27 ခုကို ပြီးမြောက်အောင် လုပ်ဆောင်ခဲ့ပြီး ပိုမိုခက်ခဲသော Lighthouse အကွာအဝေးတွင် ရှေ့သို့ တိုးလာခဲ့သည်။

ပိုသိသာထင်ရှားတဲ့ ကွာခြားချက်ကတော့ ကုန်ကျစရိတ်ပါပဲ။ WIRED သည် GPT-6 Sol အတွက် $17 မှ $46 နှင့် DeepSeek အတွက် အကြမ်းဖျင်းအားဖြင့် တိုက်ခိုက်မှုတစ်ခုလုံးကို $2 မှ 3 ဒေါ်လာအထိ သတ်မှတ်ထားသည်။ အထူးအားဖြင့် Nova အကွာအဝေးတွင်၊ DeepSeek သည် Daybreak အတွက် ပြေးနှုန်းတစ်ခုလျှင် $3 အောက်ဖြင့် ပြီးမြောက်ခဲ့သည်။

Vals မှလည်း DeepSeek သည် ၎င်း၏ပထမတိုကင် 25 သန်းတွင် မည်သည့်အရာမျှ မပြီးမြောက်ခဲ့ဘဲ သန်း 100 ပြီးနောက် ၎င်း၏တိုးတက်မှုအများစုကို ပြုလုပ်ခဲ့သည် — တိုတောင်းသော၊ တွက်ချက်မှုထည့်သွင်းထားသော အကဲဖြတ်မှုများကို စနစ်တကျ ညွှန်ပြသော စျေးပေါသောအဖွင့်မော်ဒယ်များသည် အချိန်နှင့်ဘတ်ဂျက်ကို ပေးဆောင်နိုင်သည့် အချိန်နှင့်ဘတ်ဂျက်ကို အောက်တွင်ဖော်ပြထားသည်။

တခြား Model တွေ ဘယ်လိုပြောင်းလဲ။

DeepSeek သည် အလေးမထားသော အကွက်များကို စိန်ခေါ်ခြင်းမရှိဘဲ ဦးဆောင်ခဲ့သည် - သို့သော် အခြားမည်သူမျှ ၎င်းကို မဖမ်းမိပါ။ Kimi K3.1 Pro၊ Meta's Wonder နှင့် xAI ၏ Grok 4.7 အားလုံးသည် Vals ၏ မော်ဒယ်ခုနစ်ခု နှိုင်းယှဉ်မှုတွင် DeepSeek ၏နောက်တွင် ပြီးသွားသည်။

Z.ai ၏ GLM 5.3 Flash သည် အကွာအဝေးတစ်ခုစီတွင် ရည်မှန်းချက်ငါးခု ပြီးမြောက်ခဲ့သည်။ Vals က ၎င်းကို အဖွဲ့၏ “အရှင်းလင်းဆုံးသော အဆုံးစွန်” ဟုခေါ်သည်- အကွာအဝေးတစ်ခုတွင်၊ မော်ဒယ်သည် ၃၆ နာရီခန့်ကြာသည် — အများစုမှာ ဘယ်တော့မှ ပြန်မရနိုင်သော နောက်ခံအလုပ်တစ်ခုကို မဲဆွယ်ကြသည်။

အခြားအကဲဖြတ်သူများသည် ဆိုက်ဘာလုပ်ဆောင်မှုများတွင် အလွန်မြင့်မားသော GLM-5.3 မော်ဒယ်ကို အဆင့်သတ်မှတ်သည်။ စမ်းသပ်သည့်ကုမ္ပဏီ Irregular သည် ဘက်စုံတိုက်ခိုက်နိုင်သည့်အခြေအနေ ၁၃ ခုအနက် ၃ ခုကို ပြီးမြောက်ခဲ့သည် — ပွင့်လင်းမြင်သာစွာရရှိနိုင်သောမော်ဒယ်မှမှတ်တမ်းတင်ထားသည့်အကောင်းဆုံးရလဒ် — NIST သည် ၎င်းအား ယနေ့အထိထုတ်လွှတ်နိုင်သောအဝိတ်ဆိုက်ဘာမော်ဒယ်လ်ဟုခေါ်ဆိုကာ ၎င်းအား အမေရိကန်ဦးဆောင်သည့်စနစ်များနောက် လေးလခန့်ရှိမည်ဟု ခန့်မှန်းထားသည်။ GLM-5.3 သည် ၎င်း၏ Claude Mythos အတွက် 14 ရာခိုင်နှုန်းနှင့် နှိုင်းယှဉ်ပါက ကြိုးပမ်းမှု 12 ရာခိုင်နှုန်းတွင် အလုပ်လုပ်သော အမြတ်ထုတ်မှုများ ပြုလုပ်ခဲ့ကြောင်း Anthropic မှ သီးခြားစီသတင်းဌာနသို့ ပြောကြားခဲ့သည်။ Vals က ၎င်းတို့သည် CyberOffense ရလဒ်များနှင့် တိုက်ရိုက်မယှဉ်နိုင်သော ရမှတ်များကို မတူညီသော စမ်းသပ်မှုများဖြစ်သည်။

##ဘာကြောင့်အရေးကြီးတာလဲ။

ရလဒ်များသည် AI ဆိုက်ဘာစွမ်းရည်များပတ်၀န်းကျင်ရှိ ဘေးကင်းရေးအစောင့်အကြပ်များအကြောင်း ဆက်လက်ဆွေးနွေးငြင်းခုံမှုကို ပိုမိုအားကောင်းစေပါသည်။ OpenAI ၏ Daybreak ပရိုဂရမ်သည် အနှောက်အယှက်ဖြစ်စေသော ဆိုက်ဘာစွမ်းရည်ကို လွတ်လပ်စွာ ဖြန့်ဝေခြင်းမပြုသင့်ဟူသော သီအိုရီအရ အထောက်အထားစစ်ဆေးမှုများနှင့် ကန့်သတ်ဝင်ရောက်မှုနောက်ကွယ်တွင် စွမ်းရည်မြင့်ဆိုက်ဘာမော်ဒယ်များကို ထိန်းသိမ်းထားရန် အထူးရှိပါသည်။ ကန့်သတ်မော်ဒယ်ကို အမှတ်အနည်းငယ်ဖြင့်သာ နောက်လိုက်နေသည့် အခမဲ့ ဒေါင်းလုဒ်တစ်ခုသည် — လည်ပတ်မှုတစ်ခုလျှင် ပြင်းအားနည်းပါးသော အမှာစာတစ်ခု ကုန်ကျနေချိန်တွင် — သည် ပုံအား သိသိသာသာ ရှုပ်ထွေးစေသည်။

ခံစစ်သမားတွေအတွက်လည်း အရေးကြီးတယ်။ AI-အကူအညီပေးထားသော တိုက်ခိုက်သူများကို ဆန့်ကျင်ရန် စီစဉ်နေသည့် လုံခြုံရေးအဖွဲ့များသည် ပြင်းထန်သောကိုယ်ပိုင်အုပ်ချုပ်ခွင့်ရထိုးစစ်စွမ်းရည်ကို ဓာတ်ခွဲခန်း၏ကန့်သတ်မော်ဒယ်များ သို့မဟုတ် ဘတ်ဂျက်ကြီးမားစွာအသုံးပြုခွင့် လိုအပ်သည်ဟု ယူဆနိုင်တော့မည်မဟုတ်ပါ။ Vals ၏ကိုယ်ပိုင်ဘောင်မှ အကြံပြုထားသည့်အတိုင်း၊ access controls များပါ၀င်သည်ထက် စွမ်းဆောင်ရည်ကြမ်းပြင်သည် ပိုမိုမြန်ဆန်လာသည်။

OpenAI သည် အစီရင်ခံစာများတွင် နှိုင်းယှဉ်မှုနှင့်ပတ်သက်၍ မှတ်ချက်မပေးပေ။ DeepSeek သည် မှတ်ချက်ပေးရန် တောင်းဆိုချက်များကို ချက်ချင်းတုံ့ပြန်ခြင်းမရှိပါ။

စမ်းသပ်မှုနည်းစနစ်စိန်ခေါ်မှု

ခေါင်းစီးရမှတ်များအပြင် ရလဒ်များသည် AI ဆိုက်ဘာစွမ်းရည်များကို တိုင်းတာခြင်းအတွက် သင်ခန်းစာတစ်ခုပါရှိသည်။ Vals ၏ ဒီဇိုင်းရွေးချယ်မှုများ — ရှည်လျားသော 48 နာရီပြတင်းပေါက်များ၊ ဘီလီယံတစ်ဝက်-တိုကင်ဘတ်ဂျက်များနှင့် မိမိကိုယ်ကိုအစီရင်ခံခြင်းအောင်မြင်ခြင်းထက် လျှို့ဝှက်အမှတ်အသားများမှတစ်ဆင့် အတည်ပြုခြင်း- အေးဂျင့်စနစ်များကို မျှမျှတတအကဲဖြတ်ရန် လိုအပ်လာသည်အဖြစ် ပို၍မြင်လာရသည်။ ပိုမိုတိုတောင်းပြီး စျေးသက်သာသော စမ်းသပ်မှုများသည် ၎င်း၏နှေးကွေးသောစတင်မှု၊ ပိုမိုတွက်ချက်မှုများဖြင့် ထွက်ပေါ်လာသော စွမ်းရည်များကို ဖုံးကွယ်ထားသောကြောင့် DeepSeek ရမှတ်များ ပိုမိုနိမ့်ကျနိုင်ဖွယ်ရှိသည်။

အဲဒါက မူဝါဒအတွက် လက်တွေ့ကျတဲ့ အကျိုးဆက်တွေရှိတယ်။ OpenAI ၏ Daybreak ပရိုဂရမ်ကဲ့သို့ ဝင်ရောက်ခွင့်ဆိုင်ရာ ကန့်သတ်ချက်များကို တိုင်းတာနိုင်စွမ်းနှင့် ချိန်ညှိထားပြီး အကဲဖြတ်သည့်နည်းလမ်းများကို အဖွင့်မော်ဒယ်များ လုပ်ဆောင်နိုင်သည်များကို စနစ်တကျ နားမလည်ပါက၊ guardrails များသည် လက်တွေ့တွင် နောက်ကျကျန်နေနိုင်သည်။ ကုမ္ပဏီက ဆက်လက်မွမ်းမံမည်ဟု ပြောကြားထားသည့် Vals' CyberOffense ဦးဆောင်ဘုတ်အဖွဲ့သည် ရလဒ်အနေဖြင့် AI လုံခြုံရေးအသိုက်အဝန်းတွင် ပိုမိုအနီးကပ်ကြည့်ရှုသည့် အမှတ်စာရင်းများထဲမှ တစ်ခုဖြစ်လာဖွယ်ရှိသည်။

ယခုအချိန်တွင်၊ ဒေတာမှ မက်ဆေ့ချ်သည် တုံးတိတိဖြစ်သည်- ကန့်သတ်ထားသော ပရိုဂရမ်များ၏ နောက်ကွယ်ရှိ ဓာတ်ခွဲခန်းများနှင့် မည်သူမဆို ဒေါင်းလုဒ်လုပ်နိုင်သည်များကြား ကွာဟချက်သည် မော်ဒယ်များ၏ မျိုးဆက်များထက် မကြာမီ လပိုင်းအတွင်း တိုင်းတာရမည့်အချက်အထိ ကျုံ့သွားပါသည်။

AI ၏ရှေ့တွင်နေပါ။

မော်ဒယ်ထုတ်လွှတ်မှုတိုင်း၊ စံနှုန်းတိုက်ပွဲနှင့် စွမ်းရည်များကို AI Buzz Wire တွင် တစ်နေရာတည်းတွင် ခြေရာခံပါ။

AI သတင်းအပြည့်အစုံကို ဖတ်ရှုရန် →