Z.ai’s GLM-5.3 viser et kinesisk skifte i cybersikkerhed

GLM-5.3 gør dilemmaet tydeligere

Z.ai siger, at GLM-5.3 er særligt stærk til at opdage sårbarheder. I virksomhedens egne test opnåede modellen angiveligt en lidt højere score end Anthropic’s begrænsede cybersikkerhedsmodel Mythos 5 på dette område. Samtidig var GLM-5.3 svagere, når sårbarheder skulle omsættes til fungerende exploits – altså praktiske angreb, der udnytter fejlen.

Resultaterne er oplyst af Z.ai selv og bør derfor ikke betragtes som uafhængigt bevis på, at modellerne præsterer ens.

Det er netop denne kombination, der gør åbne modelvægte kontroversielle. Når vægtene kan downloades og køres på eget udstyr, kan de potentielt sænke både omkostningerne, ekspertisen og tidsforbruget for angribere, der vil finde sårbarheder eller automatisere dele af et indbrud. Derfor har Z.ai valgt at udskyde den offentlige udgivelse af vægtene, mens modellen gennemgår en sikkerhedsevaluering.

En model med flere adgangslag

Z.ai forsøger at finde et kompromis mellem åben adgang og risikostyring. Virksomheden siger, at den vil bruge risikovurderinger og skærpet overvågning til at afvise forespørgsler med høj cyberrisiko, samtidig med at almindelig programmering og defensivt sikkerhedsarbejde fortsat skal være muligt.

De mest følsomme offensive funktioner skal i stedet begrænses gennem “Cybersecurity Trusted Access”, hvor kun verificerede brugere får adgang. Det betyder, at funktionerne ikke nødvendigvis fjernes fra modellen, men placeres bag et ekstra lag af kontrol.

“Project Glasswing med kinesiske kendetegn”

Forskeren Gabriel Wagner har kaldt tilgangen for “Project Glasswing med kinesiske kendetegn”. Formuleringen indfanger skiftet: Z.ai ser ikke primært åbenhed som et sikkerhedsproblem, men som et middel til at forbedre fælles kode, styrke det samlede forsvar og tiltrække udviklere globalt. Begrænsningerne koncentreres i stedet omkring de funktioner, der har størst potentiale til at blive brugt offensivt.

Det store ubesvarede spørgsmål er, om modellen kan kontrolleres effektivt, når vægtene først er offentligt tilgængelige. Z.ai kan blokere risikable forespørgsler og verificere brugere på sine egne API-tjenester. Det er langt vanskeligere at håndhæve de samme regler, når uafhængige aktører kører åbne kopier af modellen på egne systemer.