خفّض Kimi K3.1 Pro قدرته السيبرانية بنفسه بمقدار 9.5 نقاط. واختار المختبران الآخران طريقًا مختلفًا.

أقدمت Moonshot في 24 أكتوبر على ما لا تفعله المختبرات عادةً: أطلقت نموذجًا أضعف من النموذج الذي كان يمكنها إطلاقه، ونشرت التكلفة الدقيقة. على xdev-bench-hard عند pass@3، تحصل نقطة تحقق دُرّبت دون تدابير الشركة للحد من المخاطر السيبرانية على 90.5%. أما Kimi K3.1 Pro، النموذج الذي يمكنك استدعاؤه، فيحصل على 81.0%. والفجوة البالغة 9.5 نقاط هي ثمن إزالة البيانات المتعلقة بالأمن السيبراني من منتصف التدريب ومن التعلم المعزز، وهي أوضح تصريح أدلى به أي من المختبرات الثلاثة الرائدة هذا العام بشأن ما هي مستعدة للتضحية به مقابل القدرة.

أصبح لدى كل مختبر رئيسي الآن سياسة للأمن السيبراني. وهي تختلف في الآلية لا في النية، والآلية تحدد ما تحصل عليه فعليًا عند استدعاء واجهة API. فـ Moonshot تطرح القدرة من الأوزان. وAnthropic تعيد توجيه الطلب إلى نموذج مختلف. أما OpenAI فتحصر الوصول خلف تصنيف للمخاطر. وبالنسبة لفريق أمني — أو لأي شخص تقترب أعباء عمله من الأدوات الهجومية — تنتج المقاربات الثلاث ثلاثة أنواع مختلفة من المفاجآت.

ما الذي أزالته Moonshot، وما الذي أبقته

مواد الإطلاق محددة على نحو غير معتاد. فقد أُزيلت البيانات المتعلقة بالأمن السيبراني من مرحلتي التدريب المتوسط والتعلم المعزز، بينما أُبقيت مهام البرمجة العامة. ويقضي المبدأ المعلن للشركة بعدم إصدار أوزان مفتوحة من شأنها أن توسّع الحدود المطلقة للقدرة السيبرانية، وهي تصف القدرة الهجومية للنموذج المُصدَّر بأنها "بحكم التصميم، أدنى مما تستطيع خطوط إنتاجنا إنتاجه" ومتأخرة عمّا قدّمته النماذج الاحتكارية الرائدة علنًا لمدة ثلاثة أشهر على الأقل.

تفصيلان في تلك السياسة يهمّان أكثر من الرقم الرئيسي.

الأول هو أن الانخفاض نسبيّ إلى خط الأنابيب الخاص بـ Moonshot نفسه، وليس إلى السوق. النموذج المقيّد بسقف 81.0% لا يزال يسجّل أعلى من 33.3% الخاص بـ Kimi K3 بفارق واسع، وأعلى من 57.1% الخاص بـ GLM-5.3 على المعيار نفسه. السقف ينزل بنموذج حدودي إلى أسفل، لا يُخرجه من الفئة.

الثاني هو أن Moonshot تقول إنها سترفع "تدريجياً" القدرات السيبرانية المتاحة في الأوزان المفتوحة. هذا جدول زمني، وليس حداً ثابتاً: فالتقييمات التي تفترض سقف اليوم قد لا تصح عند الإصدار التالي، والنسخة المستضافة ذاتياً ترث السقف الذي كان قائماً في تاريخ إصدارها.

ما الذي يطلبه المعيار فعليًا

تصف وثائق Moonshot التقييم بتفصيل كافٍ للحكم عليه. بُني xdev-bench-hard من ثغرات أُفصح عنها حديثًا في برمجيات تشمل نواة Linux وNode.js وJavaScriptCore وExim وVirGL، مع تفعيل إجراءات التخفيف. توفر كل مهمة الشيفرة المصدرية المعرضة للثغرة، وتلميحًا موجزًا عن الخلل، والملف الثنائي المُجمّع؛ وعلى الوكيل تطوير استغلال، وتحقيق تنفيذ شيفرة اعتباطية في بيئة رملية منفصلة، واسترداد سلسلة سرية كي يمكن التحقق من النتيجة آليًا. يكون التقييم بمعيار pass@3 على مجموعة فرعية عشوائية، دون مهلات زمنية صارمة ودون حدود على رموز الإخراج.

ذلك اختبار شاق وضيق النطاق: فهو يقيس ما إذا كان النموذج قادرًا على تحويل ملف ثنائي معروف الثغرة إلى استغلال فعّال، وليس ما إذا كان قادرًا على كتابة ماسح ضوئي أو فرز تنبيه. وبالتالي فإن الفجوة البالغة 9.5 نقاط بين نقطة التحقق غير المخففة والنموذج المشحون هي قياس حقيقي لاختلاف حقيقي في القدرات — وتذكير بأن الرقم لا يقول إلا القليل عن العمل الدفاعي الذي تقوم به معظم الفرق فعليًا باستخدام النموذج.

بديل Anthropic: احتفظ بالقدرة، وغيّر الإجابة

نهج Anthropic في Claude Opus 5.5 هو التوجيه من جانب الخدمة. تقول وثائقها إن معظم المهام المتعلقة بالأمن السيبراني قد يُعاد توجيهها إلى Claude Opus 4.8، وإن أعمال علم الأحياء وتطوير النماذج الحدودية قد تُحال احتياطيًا إلى Claude Opus 5. لا يتلقى المستدعي خطأً؛ إذ تأتي الاستجابة ببساطة من نموذج مختلف. الطبقة الأعلى قدرة، Claude Mythos 5.1، متاحة فقط للمؤسسات التي تم التحقق منها عبر برامج مثل Cyber Verification Program.

هذه المقايضة هي عكس مقايضة Moonshot. فالقدرة الرائدة موجودة وتُقدَّم — لعملاء موثَّقين، تحت معرِّف طراز مختلف — بينما يتلقى المتصلون غير الموثَّقين بصمت إجابةَ طرازٍ أقدم. وبالنسبة إلى فريق أمني داخل مؤسسة موثَّقة، فهذا هو الخيار الأكثر قدرة بين الثلاثة. أما بالنسبة إلى أي شخص خارج إحداها، فهو طراز يجيب بهدوء بشيء آخر في المهام نفسها التي أرادوا فيها القدرة الرائدة أكثر ما أرادوا.

نهج OpenAI: اتخذ القرار قبل الإطلاق

كان GPT-6 Astra أول نموذج من OpenAI يُصنَّف «حرجًا» بموجب إطار الجاهزية المعتمد لدى الشركة، لأنه قادر على اكتشاف ثغرات أمنية جديدة بشكل مستقل. وقد جرى الطرح على مراحل — شركاء الوصول المبكر، ثم فئات الاشتراك، ثم واجهة API — إذ تُقيَّد القدرات الأعلى خطورةً بحسب التصنيف لا عن طريق تصفية التوجيهات. ويُحدَّد الوصول على مستوى الحساب، قبل إرسال أي طلب.

هذا أنظف من إعادة توجيه صامتة وأبطأ من كلا البديلين. وهو يعني أيضًا أن الإجابة عن سؤال «هل يمكنني استخدام هذا النموذج في عملي الأمني؟» قابلة للمعرفة مسبقًا، وهذا أمر له قيمته لدى مشترٍ عليه كتابة وثيقة مشتريات.

ما الذي تفعله الاستراتيجيات الثلاث بالتقييم

إذا قيّمت أداء النماذج على مهام الأمن، فإن الآليات تشوّه القياس بطرق مختلفة، ولا تلغي التشوهات بعضها بعضًا.

• سقف Moonshot كامن داخل الأوزان. يجب أن يتطابق تشغيل اختبار معياري عبر API وتشغيل اختبار معياري على نسخة مستضافة ذاتيًا، وكلاهما يقيس نموذجًا أسوأ عمدًا في هذه الفئة. الرقم صادق وقابل لإعادة الإنتاج.

• توجيه Anthropic موجود داخل حزمة الخدمة. يمكن أن يُنتج الطلب نفسه جودة مختلفة اعتمادًا على ما إذا كان يُفعّل آلية حماية، وقد لا تعكس أرقام المعايير المنشورة من البائع التوجيه الذي يتلقاه حسابك. وقد أشارت تغطيتنا الخاصة لجدول معايير Opus 5.5 إلى المسألة نفسها من الاتجاه المعاكس: كان رقم Artificial Analysis المستقل لـ Terminal-Bench هو 59.6% مقابل 66.4% لدى Anthropic، في تهيئة تتضمن توجيهًا لآليات الحماية من جانب الخادم.

• تقييد الوصول لدى OpenAI يقع خارج النموذج. فبمجرد حصولك على الوصول، يتصرف النموذج وفق ما تم قياسه في الاختبارات المعيارية؛ أما إذا لم تحصل عليه، فلن تتمكن من إجراء المقارنة على الإطلاق.

ما الذي ينبغي أن يستخلصه فريق الأمن من هذا

ثلاثة استنتاجات عملية، مرتبة حسب درجة الثقة.

أولًا، لم تعد "القدرة السيبرانية" خاصية يمكن استخلاصها من بطاقة النموذج. بل هي دالة على الأوزان التي تتلقاها، والتوجيه الذي يفعّله حسابك، وبرنامج التحقق الذي تنتمي إليه. وأي تقييم لا ينص على الثلاثة جميعًا فإنه يقيس شيئًا آخر.

ثانيًا، إذا كان عملك دفاعيًا — مثل الفرز وصياغة التصحيحات وهندسة الكشف — فإن سقف القدرات يكلّف أقل مما يبدو عليه الأمر. تتركّز نقاط الـ9.5 في السلوك العدائي والسلوك القريب من الاستغلال؛ أما البرمجة العامة واستخدام الأدوات لدى النموذج، وهما ما يحتاجه العمل الدفاعي في الغالب، فهما ما أُنفق عليهما جهد جولة التدريب اللاحق لتحسينهما. وتُفيد Moonshot بأن الأداء طويل الأفق في Kimi Code Bench 3.0 ارتفع من 55.95% إلى 61.2% ضمن الإصدار نفسه.

ثالثًا، الحدود القصوى آخذة في التغير. فقد قالت Moonshot إنها سترفع سقفها؛ وبرامج التحقق لدى Anthropic تتوسع؛ وتصنيفات OpenAI تتغير من نموذج إلى آخر. وقد تكون سياسةٌ وجّهت قرار نشر في أكتوبر خاطئة بحلول يناير، وهو ما يرجّح إعادة قراءة وثائق الوصول عند كل ترقية للنموذج بدلًا من التعامل معها كبوابة تُعبر مرة واحدة.

Kimi K3.1 Pro قابل للاستدعاء عبر OrcaRouter بسعر 2.00 دولار لكل مليون رمز إدخال و10.00 دولارات لكل مليون رمز إخراج، مع النتيجة النهائية ذاتها كما في كل مكان آخر: الحد الأقصى يكمن في الأوزان، لا في ما يفعله مزوّد معيّن بطلبك. إذا كان عبء عملك يعتمد على معرفة النموذج الذي أجاب فعلاً، فهذه ميزة. وإذا كان يعتمد على السقف الهجومي لأحدث النماذج الرائدة، فلن تمنحك إياه أي واجهة برمجة تطبيقات في السوق دون برنامج تحقّق.