Wiz Project Atlas przełamuje schemat. To nie model, a orkiestra modeli AI pokonuje gigantów

27 lipca 2026 roku Wiz – dostawca rozwiązań cyberbezpieczeństwa przejęty przez Google za 32 miliardy dolarów w marcu 2026 roku – ogłosił Project Atlas, autonomiczny, wielomodelowy system AI do badania podatności . System osiągnął 90,9% skuteczności w benchmarku CyberGym, zajmując 1. miejsce i wyprzedzając zarówno Mythos od Anthropica (~83%), jak i GPT-5.5 Cyber od OpenAI (~85,6%) . To kamień milowy w wyścigu zbrojeń w dziedzinie bezpieczeństwa AI – nie dlatego, że Atlas używa potężniejszego modelu, ale dlatego, że orkiestruje wiele modeli i wyspecjalizowanych agentów działających w harmonii.

Co osiągnął Project Atlas

Lider rankingu. Atlas zdobył 90,9% w CyberGym, publicznym benchmarku mierzącym zdolność agentów AI do odtwarzania i odkrywania rzeczywistych podatności w 1507 zadaniach z 188 projektów open source . Dla porównania, najlepsze systemy jedno-modelowe – GPT-5.5 Cyber (85,6%) i Mythos od Anthropica (83%) – pozostają w tyle o 5 do 8 punktów procentowych . Nawet system Microsoftu MDASH, który w maju 2026 roku wykorzystywał ponad 100 wyspecjalizowanych agentów do uzyskania wyniku 88,45%, został przescignięty .

Ponad 200 odkryć typu zero-day. W swoich testach Atlas odkrył ponad 200 nieznanych wcześniej luk w powszechnie używanych projektach open source, które były intensywnie fuzzowane i audytowane przez lata, w tym w jądrze Linuxa, Kubernetes, gVisor, containerd i dnsmasq . Co kluczowe, każde znalezisko zostało autonomicznie zweryfikowane od początku do końca przez system agentowy, wykraczając poza generowane przez modele podejrzenia i dostarczając powtarzalnych dowodów na istnienie realnego problemu bezpieczeństwa .

CVE-2026-3854 – krytyczna luka RCE w GitHub. Wczesna wersja Atlasa zidentyfikowała krytyczną lukę zdalnego wykonania kodu (RCE) w wewnętrznej infrastrukturze git GitHub (CVE-2026-3854, CVSS 8.8) . Luka pozwalała każdemu uwierzytelnionemu użytkownikowi z prawem push na wykonanie dowolnych poleceń na serwerach backendowych GitHub za pomocą pojedynczego polecenia

git push

Nagroda 100 000 dolarów. GitHub przyznał nagrodę w wysokości 100 000 dolarów za to odkrycie – jedną z najwyższych w historii programu, chociaż łączna kwota dla Wiz mogła być strukturyzowana według stawek sprzed lipca 2026, zanim program publiczny został okrojony .

Architektura wieloagentowa vs. systemy jedno-modelowe

To jest kluczowa historia architektoniczna. Atlas nie jest pojedynczym modelem AI – to system agentowy oparty na wielu modelach . Oto jak różni się od podejścia jedno-modelowego stosowanego przez GPT-5.5 Cyber i Mythos:

Wymiar	Project Atlas (wieloagentowy)	GPT-5.5 Cyber / Mythos (jedno-modelowy)
Architektura	Orkiestruje wielu wyspecjalizowanych agentów AI (podagenci do analizy kodu, fuzzingu, analizy statycznej, śledzenia zależności) działających równolegle	Pojedynczy duży model językowy przeszkolony do zadań cyber, działający samodzielnie
Różnorodność modeli	Łączy wiele modeli granicznych (np. Claude Opus 4.6 + GPT-5.5 w swoim kwalifikacyjnym uruchomieniu CyberGym) – wybiera najlepszy model do każdego podzadania	Związany z jedną rodziną modeli i jednym zestawem wag
Przepływ pracy	Każde znalezisko jest niezależnie weryfikowane przez oddzielnego agenta weryfikacyjnego, praktycznie eliminując fałszywe alarmy	Wynik pojedynczego modelu, trudniejszy do samodzielnej weryfikacji
Skalowalność	Może uruchamiać setki agentów na tysiącach celów jednocześnie	Ograniczony przepustowością wnioskowania pojedynczego modelu
Kluczowa koncepcja	„Najlepsza architektura modelu do badania podatności to nie pojedynczy model – to zorkiestrowany zespół modeli o różnych specjalizacjach”	Podejście jedno-modelowe napotyka sufit w złożonych, wieloetapowych przepływach pracy

Wiz twierdzi, że architektura systemu ma większe znaczenie niż surowa zdolność modelu – Atlas pokonał GPT-5.5 Cyber i Mythos nie dlatego, że miał lepszy model bazowy, ale dzięki inteligentnemu łączeniu wielu modeli i agentów z rygorystycznymi pętlami weryfikacji .

Jak przebiegała zmiana w kierunku wieloagentowości w 2026 roku

Harmonogram wyścigu zbrojeń w dziedzinie bezpieczeństwa AI pokazuje wyraźną trajektorię od dominacji jedno-modelowej do przewagi wieloagentowej:

• Początek–połowa 2026: Eskalacja jedno-modelowa. OpenAI wydało pełną wersję GPT-5.5-Cyber (85,6% w CyberGym) w czerwcu 2026 w ramach programu obronnego Daybreak . Wersja preview Claude Mythos od Anthropica również uzyskała wysoki wynik, skłaniając badaczy z UK AISI i Palo Alto Networks do ostrzeżenia, że modele „przekroczyły autonomiczne benchmarki hakerskie” .

• Maj 2026: Wieloagentowość udowadnia swój potencjał. System MDASH Microsoftu (ponad 100 wyspecjalizowanych agentów, 88,45% w CyberGym) pokazał, że systemy wieloagentowe mogą przewyższać pojedyncze modele .

• Lipiec 2026: Wieloagentowość wygrywa. Atlas od Wiz (90,9%) przescignął je oba, udowadniając, że orkiestracja wielu modeli granicznych przewyższa każdy pojedynczy model .

Szersze implikacje: odkrywanie podatności i ekonomika nagród

Połączenie agentów AI z systematycznym fuzzingiem, analizą statyczną i przeglądem kodu generuje luki typu zero-day na niespotykaną dotąd skalę – sam Atlas znalazł ponad 200 w intensywnie audytowanym kodzie open source . Ta powódź luk odkrywanych przez AI wywiera presję na ekonomikę programów ujawniania podatności. GitHub 27 lipca 2026 roku obciął publiczne wypłaty bug bounty o co najmniej połowę (krytyczne znaleziska spadły z 20 000–30 000+ USD do stałych 10 000 USD), chociaż zaproszeniowy poziom VIP nadal płaci 30 000+ USD . Zgłoszenia złożone przed tą datą, w tym odkryte przez Atlas CVE-2026-3854, zachowały poprzednie warunki wypłaty .

Podsumowanie

Project Atlas od Wiz jest obecnie najnowocześniejszym systemem w dziedzinie badania podatności przez AI – nie dlatego, że używa lepszego modelu, ale ponieważ jego wieloagentowa, wielomodelowa architektura z niezależną weryfikacją pokonuje systemy jedno-modelowe znaczną przewagą (90,9% vs. 85,6% i 83%). Odzwierciedla to szerszą zmianę w krajobrazie bezpieczeństwa AI – z pytania „który model jest najlepszy” na pytanie „jak skutecznie orkiestrować modele”. Jak wynika z wyraźnego stanowiska Wiz i Google, zwycięskie podejście w wyścigu zbrojeń AI nie będzie pojedynczym supermodelem, ale systemami łączącymi modele, ludzką wiedzę fachową i rygorystyczne potoki weryfikacji .