13 июня китайская Zhipu AI выпустила open-weight-модель GLM 5.2, а еще через две недели компания 360 Security Technology показала свой инструмент Tulongfeng, он же Dragon Saber. Для рынка ИБ это не очередная гонка красивых демо: китайские LLM-модели уже сравнивают с сильнейшими американскими системами по поиску уязвимостей, а значит разрыв между теми, кто атакует, и теми, кто защищается, может стать еще неприятнее.
Об этом сообщает Dark Reading. Издание обращает внимание на две вещи сразу: качество моделей и их экономику. По данным тестов Semgrep, GLM 5.2 на части бенчмарков по поиску багов обошла Anthropic Opus и OpenAI GPT-5.5, а стоимость результата составила около $0,17 на одну найденную уязвимость. Для бизнеса это важная деталь: если инструмент не просто умен, но и дешев, он быстрее становится массовым. И для защитников, и для злоумышленников.
Второй кейс еще показательнее с точки зрения практического применения. 360 Security Technology выпустила Tulongfeng, который в материале описывается как security-инструмент на базе frontier-модели. Его основатель, по данным Reuters, назвал продукт китайским аналогом Mythos и заявил, что система уже обнаружила более 3400 уязвимостей. Даже если от маркетинговой бравады отнять привычный процент шума, сама постановка вопроса меняет тон обсуждения: речь уже не о том, могут ли LLM помогать в offensive security, а о том, насколько быстро они превращаются в рабочий конвейер по поиску слабых мест.
Для защитников тут плохая новость не только в том, что модели стали сильнее. Бывший национальный кибердиректор США Крис Инглис, которого цитирует Dark Reading, делает акцент не столько на «магии» конкретной модели, сколько на состоянии корпоративной защиты. По его оценке, массовые модели уже способны обходить многие существующие оборонительные практики, а значит компаниям придется быстрее закрывать накопленный security debt: разбираться в собственной архитектуре, жестко приоритизировать слабые места и без промедления чинить уязвимости и конфигурации. Иначе обсуждение очередной модели быстро становится академическим: атакующему хватит и не самого передового инструмента, если у жертвы плохо поставлена базовая гигиена.
Контекст у этой истории тоже довольно нервный. В апреле Cloud Security Alliance предупреждала о риске «шторма уязвимостей» после выхода frontier-моделей, прежде всего Mythos. В мае Google сообщила, что зафиксировала первый созданный ИИ эксплойт, который уже использовался атакующим. Параллельно исследователи предупреждают, что даже скупые ежемесячные патч-ноты могут ускорять эксплуатацию багов, а среднее время до атаки по свежим уязвимостям сократилось примерно до трех часов. На таком фоне разговор о том, что китайские LLM-модели «догнали» американские аналоги, перестает быть геополитическим сюжетом и становится вполне прикладным вопросом для SOC, AppSec и DevSecOps-команд.
Есть и еще один важный слой: формат поставки. GLM 5.2 имеет открытые веса, а это значит, что модель можно запускать на собственной инфраструктуре. Для обороны это плюс: данные не покидают периметр, проще соответствовать требованиям по суверенитету данных, меньше риск утечки через облачные API. Вице-президент Viakoo Джон Галлахер прямо говорит, что для OT-сред и критической инфраструктуры такой подход может быть выгоднее, чем зависимость от закрытых облачных frontier-моделей США. Но этот же аргумент работает и в обратную сторону: если модель можно скачать и донастроить локально, злоумышленникам проще экспериментировать с обходом ограничений и подгонять ее под offensive-сценарии.
Отдельно интересно, что эксперты все чаще спорят не о национальности модели, а о том, кто лучше встроит ИИ в реальный рабочий процесс. Вице-президент Darktrace по стратегии в области безопасности и ИИ Маргарет Каннингем отмечает, что надежность модели важна, но на практике решения принимаются по сумме факторов: цена, доступность, скорость, простота развертывания. Проще говоря, даже не идеальная модель будет использоваться очень активно, если она достаточно хороша и экономически оправдана. В этом смысле рынок ИБ повторяет старую истину из мира разработки: побеждает не всегда самый мощный инструмент, а тот, который реально встраивается в повседневную работу команды.
Из этого вытекает неприятный, но полезный вывод для разработчиков и ИТ-руководителей. Паниковать из-за происхождения модели бессмысленно; полезнее признать, что нижний порог качества уже вырос. Если раньше часть компаний могла утешать себя мыслью, что offensive AI пока доступен только обладателям дорогих frontier-систем, то теперь это слабое утешение. Open-weight-решения с хорошим качеством и низкой ценой расширяют круг игроков, которые могут автоматизировать поиск дефектов в коде, конфигурациях и интеграциях. Для AppSec это аргумент ускорять SAST/DAST-процессы, ревизию exposed-сервисов и устранение давно известных дыр. Для продуктовых команд это напоминание, что «починим после релиза» становится все более дорогой привычкой.
Главный вопрос теперь звучит не так уж футуристично: кто быстрее научится превращать LLM в системный инструмент, а не в презентационный аттракцион. Если offensive-сторона уже получила дешевые и сильные модели для ускорения поиска уязвимостей, защите придется отвечать не разговорами о регулировании, а скоростью исправлений, качеством видимости и зрелостью процессов. Подробности исходного материала можно посмотреть у .