Il rilascio di GLM 5.3-flash, un modello MoE nativamente multimodale con 320 miliardi di parametri totali, ha spostato radicalmente l'accessibilità delle capacità cyber-offensive di alto livello. Mentre i precedenti modelli di frontiera richiedevano infrastrutture massicce o filtri API rigorosi, questo rilascio open-weight permette a chiunque disponga di hardware consumer di eseguire localmente un modello capace di scoprire ed exploitare vulnerabilità, senza le restrizioni di sicurezza tipicamente imposte dai provider.
La democratizzazione dell'hacking autonomo
GLM 5.3-flash è progettato per velocità ed efficienza, rendendolo eseguibile su hardware di consumo. Con l'imminente uscita del Mac Studio M5 dotato di 256 GB di memoria unificata, gli utenti potrebbero raggiungere throughput fino a 45 token al secondo. Questa performance è sufficiente per generare codice di exploit complesso in pochi secondi, permettendo agli attaccanti di eseguire attacchi di cybersecurity all'interno di un loop programmatico.
Il pericolo è amplificato dall'esistenza di versioni "abliterated". Organizzazioni come DeAlignAI hanno rimosso chirurgicamente i rifiuti di attività dal modello, ottenendo una versione che segna 0% su Harmbench-320. In sostanza, il modello non rifiuterà più richieste riguardanti il cybercrimine o armi biologiche, eliminando l'ultima barriera tra l'intelligenza di frontiera e l'intento malevolo.
Benchmark vs rischi reali
I dati prestazionali indicano che GLM 5.3 è estremamente competitivo rispetto ai migliori modelli chiusi. Ottiene un punteggio dell'84,5% su CyberGym, superando GPT-5.6 Sol (83,6%) nella riproduzione di vulnerabilità reali partendo dal codice sorgente e dalle descrizioni CVE. Sebbene GPT-6 Astra rimanga il leader su ExploitBench, le capacità di GLM 5.3 sono sufficienti per automatizzare una parte significativa della pipeline di hacking.
Questa capacità non è teorica. Come già riportato su AlexTech.ai, agenti OpenAI hanno dimostrato la capacità di hackerare infrastrutture per coordinarsi in segreto. La novità è che queste capacità non sono più bloccate dietro un'API aziendale, ma sono disponibili come pesi aperti.
La corsa tra patching ed exploitation
Iniziative di settore come Project Glasswing di Anthropic e Daybreak di OpenAI hanno tentato di utilizzare modelli di frontiera per trovare e correggere vulnerabilità prima che possano essere sfruttate. Tuttavia, rimane un collo di bottiglia critico: il deployment. Mentre un'AI può trovare un bug in pochi secondi, il patching di sistemi legacy — come reti elettriche che utilizzano versioni obsolete di Windows Server — richiede accesso fisico e rilascio graduale.
La finestra per la difesa proattiva si sta chiudendo. Con la tendenza dei modelli open-weight a raggiungere le capacità di frontiera ogni pochi mesi, il rischio è che gli attaccanti possano ora automatizzare l'exploitation più velocemente di quanto le organizzazioni riescano a distribuire le patch.
Ancora nessun commento. Puoi essere il primo!