In questo articolo Indice dei contenuti 2 sezioni
Il modello cinese GLM 5.3, sviluppato da Z.ai, ha capacità offensive nella sicurezza informatica paragonabili a quelle di Claude Mythos. A sostenerlo è Anthropic, che ha appena pubblicato una valutazione dedicata alla capacità dei modelli di scovare vulnerabilità e trasformarle in exploit funzionanti. Il tema tocca un nervo scoperto, perché con la crescita dell’intelligenza artificiale il confine tra ricerca difensiva e uso malevolo diventa sempre più sottile.
L’analisi arriva dopo una valutazione indipendente del NIST e prende in esame sia le prestazioni tecniche sia la tenuta delle protezioni integrate. Il punto però non riguarda soltanto la potenza del sistema. La disponibilità dei suoi pesi consente infatti di intervenire direttamente sul comportamento del modello, andando a modificare proprio quei meccanismi che dovrebbero bloccare le richieste dannose.
Cosa sa fare GLM 5.3 con gli exploit
Per evitare che i test potessero colpire sistemi reali, Anthropic ha lavorato in ambienti isolati e sandbox. Su ExploitBench, un benchmark pensato per lo sfruttamento di vulnerabilità note nel motore V8 di Google Chrome, GLM 5.3 ha prodotto exploit completi e funzionanti in 50 tentativi su 410. In una prova interna sulla binary exploitation il modello ha poi ottenuto il controllo totale del flusso di esecuzione nel 4% di 100 tentativi. Numeri che mostrano una capacità concreta di passare dall’analisi di un difetto alla costruzione dell’attacco, anche se questo non equivale in automatico alla possibilità di compromettere sistemi veri.
Le sessioni con ricercatori umani hanno aggiunto un tassello qualitativo. Lavorando su una build Linux di un browser, il modello cinese ha individuato diverse vulnerabilità fino a quel momento sconosciute nel motore JavaScript e le ha concatenate in un attacco capace di leggere file arbitrari dal computer della vittima simulata. Nello stesso lavoro sono emersi problemi sfruttabili anche in driver wireless, driver grafici e software destinato a dispositivi esposti alla rete. In un secondo test la variante GLM 5.3 Flash, partendo da una vulnerabilità nota di Chrome, ha costruito una catena per un sistema ARM64 riuscendo ad aggirare la protezione Pointer Authentication.
Il NIST aveva già esaminato il modello il 17 settembre 2026, definendolo il sistema a pesi aperti con le maggiori capacità cyber tra quelli analizzati dall’ente. La misurazione si è basata su quattro benchmark e su un indice costruito con un modello statistico IRT, che separa la difficoltà dei singoli compiti dalle abilità dei sistemi. Su SEC Bench Pro il modello ha risolto il 40,4% delle prove, su ExploitGym si è fermato al 9,4% e su OSS Fuzz al 7,7%. Secondo le stime dell’ente il ritardo rispetto alla frontiera statunitense nell’indice aggregato sarebbe di circa quattro mesi.
Protezioni che si possono smontare
Quello che distingue davvero GLM 5.3 è la possibilità di mettere mano ai pesi. I ricercatori hanno sperimentato una tecnica chiamata abliteration, ottenendo un forte calo dei rifiuti senza intaccare in modo significativo le prestazioni generali. L’operazione ha richiesto circa 2.200 ore GPU e l’equivalente di circa 3.800 euro in token di calcolo, ma per un gruppo già esperto la stima scende a circa 600 ore GPU. Dopo l’intervento i rifiuti sono crollati a circa il 3% su JailbreakBench e al 2% su HarmBench.
Anche lasciando intatti i pesi, i test hanno trovato modi per aggirare le protezioni. In una simulazione una richiesta presentata come attività di red teaming ha spinto il modello a procedere nel 64% dei casi, percentuale salita al 92% con un ragionamento precompilato. Anthropic precisa che il codice generato non è stato eseguito e che l’ambiente simulato non permetteva connessioni verso l’esterno. Un limite che ridimensiona la portata delle conclusioni senza però cancellare il problema emerso, cioè la facilità con cui il comportamento del modello può cambiare.
C’è poi una conseguenza più ampia. Una protezione applicata tramite un servizio remoto può essere aggiornata in modo centralizzato, mentre un modello installato in locale lascia molto più controllo a chi lo utilizza. Z.ai descrive GLM 5.3 come un’evoluzione ottenuta con il post training della versione precedente, con un miglioramento del 50% nel proprio Z.ai Code Bench. Per questo, secondo Anthropic, diventa indispensabile valutare non solo ciò che un modello sa fare al momento del rilascio ma anche quanto sia semplice modificarne i vincoli operativi.
Fonte: TecnoAndroid
