文章摘要
Vidoc安全实验室使用公开模型GPT-5.4和Claude Opus 4.6复现了Anthropic的Mythos研究，发现关键漏洞构建方法已存在于公开领域，但可靠操作能力仍是核心壁垒，质疑前沿AI漏洞研究需要封闭访问的说法。
文章总结
用公开模型复现Anthropic的Mythos研究成果——Vidoc安全实验室报告
核心发现
Anthropic公司近期发布的Mythos项目和Glasswing计划声称前沿AI漏洞研究需要封闭访问权限。但Vidoc安全实验室使用公开模型GPT-5.4和Claude Opus 4.6测试后发现：关键漏洞发现能力已存在于公共模型，真正的技术壁垒在于成果的可靠落地应用。
实验方法
研究团队采用开源代码审查工具opencode，配合标准化分块安全审查流程，对Anthropic公开的已修复案例进行复现测试，涵盖：
- FreeBSD远程根漏洞（CVE-2026-4747）
- OpenBSD存在27年的TCP SACK逻辑漏洞
- FFmpeg媒体解析器漏洞
- Botan加密库证书信任漏洞（CVE-2026-34580/34582）
- wolfSSL证书验证漏洞（CVE-2026-5194）
关键结果
| 项目 | Claude Opus 4.6 | GPT-5.4 | 成本/文件 | |------------|-----------------|---------------|----------| | FreeBSD | 3/3精确复现 | 3/3精确复现 | <30美元 | | OpenBSD | 3/3精确复现 | 0/3未复现 | | | Botan | 3/3精确复现 | 3/3精确复现 | | | FFmpeg | 部分结果 | 部分结果 | | | wolfSSL | 部分结果 | 部分结果 | |
行业启示
能力民主化：公开模型已具备发现高危漏洞的能力，包括：
- 内存破坏漏洞（FreeBSD）
- 复杂状态逻辑漏洞（OpenBSD）
- 加密信任边界问题（Botan）
落地挑战：真正的技术壁垒在于：
- 漏洞验证（区分真实漏洞与误报）
- 优先级排序（从海量发现中识别关键风险）
- 修复实施（将发现转化为可执行的修复方案）
防御建议：
- 重新评估"难以发现"的传统漏洞假设
- 重点关注信任边界、认证流、解析器等关键领域
- 建立AI辅助的漏洞管理流程，而非依赖单一模型
方法论说明
采用两阶段工作流： 1. 规划阶段：模型自主划分代码审查区块 2. 检测阶段：针对每个区块进行深度分析，允许跨文件验证
该研究表明，AI辅助安全研究已进入新阶段——核心能力不再局限于少数实验室，而有效运用这些能力的工作流程将成为新的竞争焦点。
（报告原始数据及完整方法论详见Vidoc安全实验室博客）
评论总结
以下是评论内容的总结：
1. 关于Mythos的能力和测试方法
观点1：认为现有测试方法不公正，提示过于具体，泄露了关键信息（评论3、7）
- "如果提示中包含行号或漏洞提示，就是恶意泄露数据"（评论3）
- "直接指定文件和行号来寻找漏洞，这种测试有什么价值？"（评论7）
观点2：Mythos的独特之处在于能生成完整漏洞利用代码（评论12、15）
- "关键不是发现漏洞，而是能构建端到端的攻击验证"（评论12）
- "只有提供可复现的漏洞利用代码才真正危险"（评论15）
2. 关于AI安全风险
观点1：AI的危险性主要在于日常风险（评论2）
- "AI的危险性和搜索引擎类似：可能泄露制造危险物品的方法，帮助人肉搜索等"（评论2）
观点2：需要更多证据来支持Mythos的非凡主张（评论14）
- "Anthropic对Mythos的非凡主张需要非凡的证据"（评论14）
3. 关于政策影响
- 观点：关键区别在于工作流程而非模型本身，这对AI管控政策有影响（评论16）
- "模型是可替代的，工作流程不是专有的，这对'只有受信任方才能访问AI'的论点有影响"（评论16）
4. 其他观点
质疑文章可信度：认为文章可能是AI生成，且测试不公平（评论10）
- "文章有AI写作的味道，加上不公平的测试，损害公司声誉"（评论10）
支持Mythos真实性：Linux基金会使用Mythos发现新漏洞证明其真实性（评论17）
- "Linux基金会使用Mythos发现内核漏洞，说明它是真实的"（评论17）
总结显示评论者对Mythos的能力、测试方法和政策影响存在不同看法，既有对其独特性的认可，也有对测试方法和主张的质疑。