Anthropic造了个“太危险不敢发“的AI,OpenAI 7天后正面刚

news2026/4/29 10:40:34
4月7号Anthropic发了一篇博客标题平平无奇“Claude Mythos Preview”。但博客里有一句话直接把安全圈炸了“这是我们有史以来构建的最强大的AI模型。”三天后Tom’s Hardware挖出了更猛的细节Mythos在内部测试中找到了所有主流操作系统和浏览器里的数千个零日漏洞有些漏洞存在了几十年从来没人发现过。一周后4月14号OpenAI亮了底牌GPT-5.4-Cyber。七天两个巨头同一个赛道。这不是巧合。MythosAnthropic造了个自己都害怕的东西先说Anthropic这边。Mythos其实不是专门为网络安全训练的模型。据CNBC报道Anthropic明确说过它是一个通用模型网络安全能力来自强大的编码和推理能力。换句话说它是聪明到顺手就把安全给破了。但它到底强到什么程度据Anthropic红队博客red.anthropic.com披露Mythos Preview做了几件让人后脊发凉的事独立链式利用漏洞从零权限一路提到root。安全圈的人都知道单个漏洞利用是脚本小子的活把多个漏洞串起来完成完整攻击链——那是高级APT团队的看家本领。Mythos自己就干了。横扫所有主流浏览器。Anthropic的原话是识别并利用了所有主流Web浏览器中的漏洞。因为还没修补他们拒绝透露技术细节。注意是所有——主流浏览器一个没落下。Anthropic的反应才是最有意思的部分。他们选择不发布。Mythos Preview不对公众开放。它只通过一个叫Project Glasswing的计划开放给苹果、谷歌、微软、英伟达、AWS、Broadcom、Cisco、CrowdStrike、Palo Alto Networks、摩根大通、Linux基金会等40多家机构做防御性安全工作。据Anthropic官方博客他们还拿出了1亿美元的API额度和400万美元的开源安全捐赠来支持。据CNBC报道Anthropic甚至私下向美国政府官员发出警告这种级别的模型可能被用来发动大规模网络攻击。一家AI公司做出了一个模型然后自己把自己吓到了选择把它锁起来。这在行业里还是头一回。GPT-5.4-CyberOpenAI的一周后发制人4月14号OpenAI的回应来了。路子和Mythos不太一样。GPT-5.4-Cyber是OpenAI专门为网络安全场景微调的版本官方说法叫cyber-permissive翻译成人话就是对安全人员少设限。具体能干什么据OpenAI官方博客和The Hacker News报道二进制逆向工程——不需要源代码就能分析编译后的软件有没有恶意代码或漏洞。以前这是高级安全研究员的看家本事现在模型能搭把手了。降低拒绝边界——这是和普通版GPT-5.4最大的区别。普通版动不动就因为安全策略拒绝请求哪怕你是正经做安全研究的。Cyber版知道你是认证过的防御人员更配合。分发方式上OpenAI走的是Trusted Access for CyberTAC计划分等级开放最高等级才能拿到GPT-5.4-Cyber。据OpenAI官方博客目前扩大到数千名认证防御者和数百个团队。据Mashable报道OpenAI的这个做法被外界认为是在跟进Anthropic的Project Glasswing思路。Mythos之后整整七天就亮牌——说明不是临时起意是早就备好了在等窗口。行业格局拐点已到拉开时间线看这次竞赛透露了三个信号。AI在安全领域的能力过了某个临界点。据Fortune报道OpenAI今年2月发布GPT-5.3-Codex时就首次将其归类为网络安全高能力模型——这是他们内部Preparedness Framework里的高级别风险分类。Anthropic的Claude Opus 4.6也被证实能在生产代码中找到未知漏洞。Mythos和GPT-5.4-Cyber只是把这个能力又往前推了一大步。有限发布成了两家不约而同的选择。这跟以前模型做出来就往ChatGPT里一塞的做法完全不同。背后的逻辑一样先把工具给防御方让白帽子跑在黑帽子前面。Anthropic红队博客说得很直白——短期内攻击者可能占便宜长期来看防御方会赢。但短期到底有多短谁也说不准。网络安全行业本身要变天了。CrowdStrike、Palo Alto Networks这些头部安全公司已经主动站队加入。据36氪报道2026年的核心趋势就是用AI监控AI用算法对抗算法。传统渗透测试团队的活正在被大模型加速蚕食。还有一个容易被忽略的细节Fortune在3月底从Anthropic的一个公开数据缓存里抢先发现了Mythos的存在消息一出网络安全股票暴跌CrowdStrike跌了7.5%Palo Alto Networks跌了6%iShares网络安全ETF跌了4.5%。市场的反应比评论员的快得多AI安全模型不只是产品它可以直接撬动网络安全行业的估值逻辑。我的判断这次不是普通的模型迭代是一个分水岭。两个细节值得单独拎出来说。一是Anthropic做出了一个太危险所以不公开的模型这在AI行业是头一回。之前的争议是AI会不会说错话“会不会有偏见”现在变成了AI能不能黑掉一切。问题的量级完全不同了。二是OpenAI的响应速度。Mythos的细节3月底被Fortune曝光4月7号正式发布4月14号OpenAI就亮牌。一周的响应时间说明GPT-5.4-Cyber早就准备好了只是在等一个合适的发布时机。这不是跟风是竞速。两家在安全赛道上的卡位战比大众想象中激烈得多。对普通人来说短期内你感受不到这两个模型的存在——它们都不对公众开放。但对安全行业来说变化已经在发生。据Tenable的分析已经有企业的董事会在问Mythos对我们的安全策略有什么影响了。一个能找到藏了20年的零日漏洞的AI一个能从零权限提到root的AI——它们不公开不代表不存在。防御方先拿到钥匙总比攻击方先拿到好。你觉得AI安全大模型会先帮防守方站稳脚还是先被攻击方利用评论区扣1防守方先赢或扣2攻防不对等防守永远慢一步。

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.coloradmin.cn/o/2528784.html

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈,一经查实,立即删除!

相关文章

SpringBoot-17-MyBatis动态SQL标签之常用标签

文章目录 1 代码1.1 实体User.java1.2 接口UserMapper.java1.3 映射UserMapper.xml1.3.1 标签if1.3.2 标签if和where1.3.3 标签choose和when和otherwise1.4 UserController.java2 常用动态SQL标签2.1 标签set2.1.1 UserMapper.java2.1.2 UserMapper.xml2.1.3 UserController.ja…

wordpress后台更新后 前端没变化的解决方法

使用siteground主机的wordpress网站,会出现更新了网站内容和修改了php模板文件、js文件、css文件、图片文件后,网站没有变化的情况。 不熟悉siteground主机的新手,遇到这个问题,就很抓狂,明明是哪都没操作错误&#x…

网络编程(Modbus进阶)

思维导图 Modbus RTU(先学一点理论) 概念 Modbus RTU 是工业自动化领域 最广泛应用的串行通信协议,由 Modicon 公司(现施耐德电气)于 1979 年推出。它以 高效率、强健性、易实现的特点成为工业控制系统的通信标准。 包…

UE5 学习系列(二)用户操作界面及介绍

这篇博客是 UE5 学习系列博客的第二篇,在第一篇的基础上展开这篇内容。博客参考的 B 站视频资料和第一篇的链接如下: 【Note】:如果你已经完成安装等操作,可以只执行第一篇博客中 2. 新建一个空白游戏项目 章节操作,重…

IDEA运行Tomcat出现乱码问题解决汇总

最近正值期末周,有很多同学在写期末Java web作业时,运行tomcat出现乱码问题,经过多次解决与研究,我做了如下整理: 原因: IDEA本身编码与tomcat的编码与Windows编码不同导致,Windows 系统控制台…

利用最小二乘法找圆心和半径

#include <iostream> #include <vector> #include <cmath> #include <Eigen/Dense> // 需安装Eigen库用于矩阵运算 // 定义点结构 struct Point { double x, y; Point(double x_, double y_) : x(x_), y(y_) {} }; // 最小二乘法求圆心和半径 …

使用docker在3台服务器上搭建基于redis 6.x的一主两从三台均是哨兵模式

一、环境及版本说明 如果服务器已经安装了docker,则忽略此步骤,如果没有安装,则可以按照一下方式安装: 1. 在线安装(有互联网环境): 请看我这篇文章 传送阵>> 点我查看 2. 离线安装(内网环境):请看我这篇文章 传送阵>> 点我查看 说明&#xff1a;假设每台服务器已…

XML Group端口详解

在XML数据映射过程中&#xff0c;经常需要对数据进行分组聚合操作。例如&#xff0c;当处理包含多个物料明细的XML文件时&#xff0c;可能需要将相同物料号的明细归为一组&#xff0c;或对相同物料号的数量进行求和计算。传统实现方式通常需要编写脚本代码&#xff0c;增加了开…

LBE-LEX系列工业语音播放器|预警播报器|喇叭蜂鸣器的上位机配置操作说明

LBE-LEX系列工业语音播放器|预警播报器|喇叭蜂鸣器专为工业环境精心打造&#xff0c;完美适配AGV和无人叉车。同时&#xff0c;集成以太网与语音合成技术&#xff0c;为各类高级系统&#xff08;如MES、调度系统、库位管理、立库等&#xff09;提供高效便捷的语音交互体验。 L…

(LeetCode 每日一题) 3442. 奇偶频次间的最大差值 I (哈希、字符串)

题目&#xff1a;3442. 奇偶频次间的最大差值 I 思路 &#xff1a;哈希&#xff0c;时间复杂度0(n)。 用哈希表来记录每个字符串中字符的分布情况&#xff0c;哈希表这里用数组即可实现。 C版本&#xff1a; class Solution { public:int maxDifference(string s) {int a[26]…

【大模型RAG】拍照搜题技术架构速览:三层管道、两级检索、兜底大模型

摘要 拍照搜题系统采用“三层管道&#xff08;多模态 OCR → 语义检索 → 答案渲染&#xff09;、两级检索&#xff08;倒排 BM25 向量 HNSW&#xff09;并以大语言模型兜底”的整体框架&#xff1a; 多模态 OCR 层 将题目图片经过超分、去噪、倾斜校正后&#xff0c;分别用…

【Axure高保真原型】引导弹窗

今天和大家中分享引导弹窗的原型模板&#xff0c;载入页面后&#xff0c;会显示引导弹窗&#xff0c;适用于引导用户使用页面&#xff0c;点击完成后&#xff0c;会显示下一个引导弹窗&#xff0c;直至最后一个引导弹窗完成后进入首页。具体效果可以点击下方视频观看或打开下方…

接口测试中缓存处理策略

在接口测试中&#xff0c;缓存处理策略是一个关键环节&#xff0c;直接影响测试结果的准确性和可靠性。合理的缓存处理策略能够确保测试环境的一致性&#xff0c;避免因缓存数据导致的测试偏差。以下是接口测试中常见的缓存处理策略及其详细说明&#xff1a; 一、缓存处理的核…

龙虎榜——20250610

上证指数放量收阴线&#xff0c;个股多数下跌&#xff0c;盘中受消息影响大幅波动。 深证指数放量收阴线形成顶分型&#xff0c;指数短线有调整的需求&#xff0c;大概需要一两天。 2025年6月10日龙虎榜行业方向分析 1. 金融科技 代表标的&#xff1a;御银股份、雄帝科技 驱动…

观成科技:隐蔽隧道工具Ligolo-ng加密流量分析

1.工具介绍 Ligolo-ng是一款由go编写的高效隧道工具&#xff0c;该工具基于TUN接口实现其功能&#xff0c;利用反向TCP/TLS连接建立一条隐蔽的通信信道&#xff0c;支持使用Let’s Encrypt自动生成证书。Ligolo-ng的通信隐蔽性体现在其支持多种连接方式&#xff0c;适应复杂网…

铭豹扩展坞 USB转网口 突然无法识别解决方法

当 USB 转网口扩展坞在一台笔记本上无法识别,但在其他电脑上正常工作时,问题通常出在笔记本自身或其与扩展坞的兼容性上。以下是系统化的定位思路和排查步骤,帮助你快速找到故障原因: 背景: 一个M-pard(铭豹)扩展坞的网卡突然无法识别了,扩展出来的三个USB接口正常。…

未来机器人的大脑:如何用神经网络模拟器实现更智能的决策?

编辑&#xff1a;陈萍萍的公主一点人工一点智能 未来机器人的大脑&#xff1a;如何用神经网络模拟器实现更智能的决策&#xff1f;RWM通过双自回归机制有效解决了复合误差、部分可观测性和随机动力学等关键挑战&#xff0c;在不依赖领域特定归纳偏见的条件下实现了卓越的预测准…

Linux应用开发之网络套接字编程(实例篇)

服务端与客户端单连接 服务端代码 #include <sys/socket.h> #include <sys/types.h> #include <netinet/in.h> #include <stdio.h> #include <stdlib.h> #include <string.h> #include <arpa/inet.h> #include <pthread.h> …

华为云AI开发平台ModelArts

华为云ModelArts&#xff1a;重塑AI开发流程的“智能引擎”与“创新加速器”&#xff01; 在人工智能浪潮席卷全球的2025年&#xff0c;企业拥抱AI的意愿空前高涨&#xff0c;但技术门槛高、流程复杂、资源投入巨大的现实&#xff0c;却让许多创新构想止步于实验室。数据科学家…

深度学习在微纳光子学中的应用

深度学习在微纳光子学中的主要应用方向 深度学习与微纳光子学的结合主要集中在以下几个方向&#xff1a; 逆向设计 通过神经网络快速预测微纳结构的光学响应&#xff0c;替代传统耗时的数值模拟方法。例如设计超表面、光子晶体等结构。 特征提取与优化 从复杂的光学数据中自…