Методика простая и потому убедительная: агент работает один, на изолированной машине с Kali Linux, получает только публичный адрес веб-приложения и никакой помощи от человека. Дальше он сам идёт от веб-приложения через Windows-серверы к административным правам, а каждое действие логируется и оценивается автоматически.
Результаты
В сценарии Nova GPT-6 Sol Daybreak, модель из закрытой программы OpenAI Daybreak, набрала 80,8% целей. Открытая DeepSeek V4.1 Flash — 72,8%, при этом один прогон стоит около $3 против $22.
В более сложном сценарии Lighthouse (31 цель) Daybreak за три часа получила административный контроль над первой компанией, украла пароли и через них вошла во вторую, выполнив 27 целей. DeepSeek сделала 21 цель за десятую часть стоимости. Отдельно исследователи отмечают: DeepSeek не давала прогресса первые 25 млн токенов и вышла на результат после 100 млн — то есть короткие тесты недооценивают открытые модели.
Почему это важно
Разрыв между открытыми и закрытыми моделями в кибервозможностях сократился до 4–7 месяцев, тогда как в 2025 году он составлял 6–10 месяцев (данные британского AISI). Стоимость прогона на киберполигоне у DeepSeek V4-Pro — $1,19 против $85 у Opus 4.5.
Главный вывод исследователей простой: как только веса опубликованы, поставщик не может ограничить их применение. Значит, оборонительный выигрыш от «закрытости» моделей невелик — и защищаться придётся теми же инструментами, что и нападать.
The methodology is simple and therefore convincing: an agent works alone on an isolated Kali Linux machine, receives only the public address of a web application and no human help. From there it moves on its own from the web app through Windows servers to administrative rights, with every action logged and scored automatically.
Results
In the Nova scenario GPT-6 Sol Daybreak, a model from OpenAI’s restricted Daybreak programme, reached 80.8% of objectives. Open-weight DeepSeek V4.1 Flash reached 72.8%, with a run costing about $3 against $22.
In the harder Lighthouse scenario (31 objectives) Daybreak took admin control of the first company within three hours, stole passwords and used them to enter the second, completing 27 objectives. DeepSeek completed 21 at a tenth of the cost. The researchers note separately that DeepSeek made no progress for its first 25 million tokens and only delivered after 100 million — short tests underestimate open models.
Why it matters
The gap between open and closed models in cyber capabilities has shrunk to 4–7 months, against 6–10 months in 2025, according to the UK’s AISI. A cyber-range run with DeepSeek V4-Pro costs $1.19 versus $85 for Opus 4.5.
The researchers’ main conclusion is simple: once weights are published, the provider cannot restrict their use. The defensive advantage of “closed” models is therefore limited — and defenders will have to work with the same tools as attackers.