AISI: l'écart open-weights sur le cyber tombe à 4-7 mois

Le retard des modèles à poids ouverts sur la frontière cyber s'est réduit à quatre à sept mois, contre six à dix mois sur l'essentiel de 2025. C'est le chiffre que sort l'AI Security Institute britannique après avoir fait tourner GLM-5.2 et DeepSeek V4-Pro contre les modèles fermés Opus 4.6, Opus 4.5, GPT-5.3-Codex, Sonnet 4.5, Mythos Preview et GPT-5.5.

La comparaison repose sur deux protocoles. D'un côté, 70 tâches cyber étroites couvrant la recherche de vulnérabilités, le reverse engineering, l'exploitation web et la cryptographie, avec cinq tentatives par tâche et une limite de 2,5 millions de tokens. De l'autre, des plages cyber simulant des attaques réseau autonomes, dont un scénario appelé « The Last Ones » qui compte 32 étapes et qu'un expert humain mettrait environ 20 heures à traverser, avec une enveloppe de 100 millions de tokens par exécution.

Sur les tâches étroites, GLM-5.2 égale Opus 4.6 et GPT-5.3-Codex à tous les niveaux de difficulté, ce qui pose l'écart à environ quatre mois. DeepSeek V4-Pro se cale sur Opus 4.5, soit cinq mois. Sur les plages autonomes, l'écart s'élargit: GLM-5.2 arrive au même nombre d'étapes qu'Opus 4.5 (sept mois), et DeepSeek V4-Pro passe sous Sonnet 4.5. Le coût, lui, va dans l'autre sens. Une exécution de 100 millions de tokens revient à environ 85 $ sur les modèles Opus, 46 $ sur GLM-5.2 et 1,19 $ sur DeepSeek V4-Pro. Par tâche, Opus 4.6 coûte 15,17 $ contre 6,12 $ pour GLM-5.2.

Le point que l'AISI martèle tient moins au benchmark qu'à ce qui se passe une fois les poids diffusés. Les mesures de sécurité « au moment du déploiement, comme le monitoring, les classifieurs et le bannissement d'utilisateurs, exigent un contrôle sur l'accès » qui disparaît quand les poids sont publics. DeepSeek V4-Pro a bien refusé certaines tâches, surtout en reverse engineering, mais les chercheurs ont contourné ces refus par simple répétition.

Le rapport reste prudent sur ce qu'il ne dit pas. Il ne détaille pas comment un défenseur doit exploiter la fenêtre courte qu'il annonce, ne se prononce pas sur Kimi K3 (tests prévus après publication des poids), et ne trace pas de projection au-delà des mesures présentes. Pour un RSSI, la lecture utile est plus opérationnelle: si la cadence tient, les capacités cyber frontière d'aujourd'hui seront accessibles sans les mêmes garde-fous dans quelques trimestres, et le calendrier des exercices red team, des mises à jour de détection et des inventaires de vulnérabilités mérite d'être calé sur cette horloge plutôt que sur l'annuel habituel.