当开源模型开始具备接近前沿闭源模型的攻击性网络能力，安全议题就不再只是"模型会不会说错话"，而是"模型能不能真的动手"。
发生了什么
据 WIRED 报道，一项实验让多个 AI 模型尝试入侵模拟网络环境，结果显示 DeepSeek 和 GLM 的黑客技能并不落后于 OpenAI 最先进的网络安全模型太多——而后者并未对外公开。报道同时点出一个关键前提：这些中国模型是免费可用的。
需要说明的是，这是一次受控的模拟环境测试，考察的是模型在渗透、侦察、利用等任务上的执行水平，而非真实攻击事件。报道未披露具体分数、任务数量或评测框架细节，因此不宜据此推断精确的能力排名。
为什么重要
这条消息的分量来自三个叠加的趋势。
第一，攻防能力正在成为模型能力评测的新维度。过去一年，前沿实验室陆续推出专门面向网络安全的模型或限制策略，核心顾虑是同一套能力既能用于防御，也能用于攻击。当这类能力只掌握在少数闭源模型手中时，风险至少是可观测、可管控的。
第二，开源权重模型正在系统性缩短与闭源前沿的差距。DeepSeek 和 GLM 系列近期的表现已经反复证明，开源阵营在通用推理和代码任务上不再是"落后一代"的角色。网络安全恰好是代码能力、长链条规划和工具调用能力的综合体现，这项测试结果可以看作上述能力外溢的一个信号。
第三，能力扩散的速度快于治理框架的建立速度。闭源模型可以通过 API 策略限制高危请求，而可自由下载的权重模型没有这层闸门。这不是某一家公司的问题，而是整个开源生态必须面对的结构性现实。
影响与看点
对安全行业而言，最直接的变化是攻防双方的工具箱同时升级。红队可以用本地部署的开源模型做低成本的自动化渗透测试，蓝队也必须假设对手拥有同等水平的辅助工具。安全团队的评估基线需要相应上调。
对开发者和企业用户，值得关注的是部署侧的合规与审计问题。当模型具备执行多步攻击链的能力时，日志、权限隔离和人工确认环节的价值会显著上升，而不是被自动化取代。
对模型厂商，这项测试提出了一个尚未有答案的问题：开源模型的能力边界由谁划定？目前主流做法依赖使用条款和社区自律，实际约束力有限。
一个独立判断：这次实验最值得记录的不是"中国模型追上了"，而是"能力评测正在从语言任务转向行动任务"。一旦评测标准变成模型能做什么而非模型说什么，整个行业的风险叙事和监管逻辑都需要重写。
