Anthropic عن GLM-5.3: تحذير سيبراني جاد يعترف بقفزة في القدرات

RESEARCH NOTE · 30 SEP 2026

قد تكون قدرات نموذج قوية إلى حد يدفع منافسه إلى التحذير منه. لكن التحذير ليس توصية. يصف منشور LocalLLaMA تقرير Anthropic بأنه «أفضل إعلان عن GLM». عند قراءة الأصل تظهر حقيقتان معا: اعتراف بقفزة GLM-5.3 في بناء الاستغلالات، وحجة بأن الوصول إلى هذه القدرات يفتقر إلى قيود فعالة على إساءة الاستخدام. Reddit · Anthropic

ما الذي قالته Anthropic فعلا؟

الأصل هو تقرير Anthropic البحثي المنشور في 29 سبتمبر 2026 بعنوان «GLM-5.3 and the spread of advanced cyber capabilities». تقول الشركة إن GLM-5.3، مثل Claude Mythos Preview، تملك قدرات قوية على بناء استغلالات سيبرانية كاملة بصورة مستقلة. ثم تقول إنها أصدرت دون ضمانات ذات معنى للحد من إساءة الاستخدام. نورد أدناه النص الإنجليزي الحرفي؛ هذه الفقرة تنقل معناه. تلك تقييمات الشركة وليست نتائج تجارب مستقلة لهذا المقال. ويقر التقرير أيضا بفائدة القدرات للمدافعين. وصف Reddit لها بالإعلان مفهوم بوصفه رد فعل على اعتراف منافس، لكنه يحذف التحذير وحدود المقارنة. Anthropic · Reddit

"Like Claude Mythos Preview, GLM-5.3 has strong capabilities for autonomously building end-to-end cyber exploits."

"But GLM-5.3 is unlike other frontier models in that it has been released without meaningful safeguards to limit misuse."

Anthropic, 29 September 2026

أي GLM، ولماذا يهم التسلسل الزمني؟

الموضوع الأساسي هو GLM-5.3 من Zhipu AI، المعروفة دوليا باسم Z.ai، وليس كل نموذج يحمل اسم GLM. يحدد NIST الإطلاق في 14 أغسطس ونشر الأوزان بعده بأسبوعين. تقول Z.ai إن النموذج يستخدم الأساس نفسه الذي استخدمته GLM-5.2 وإن التحسن نتج من التدريب اللاحق: بيئات طويلة المدى ومهام قابلة للتحقق وحوسبة أكثر للتعلم المعزز. هذا تفسير المطور، لا تجربة فصل عوامل تثبت سبب القفزة السيبرانية. يتناول التقرير GLM-5.3-Flash الأصغر بصورة منفصلة؛ لا يجوز دمج مثالها مع نتائج النموذج الكامل. وMythos Preview مرجع أقدم للمقارنة، لا اسم مختصر لأحدث حدود Claude. Anthropic · NIST / CAISI · Z.ai

من التعطل إلى التحكم: معنى القدرة

اكتشاف خطأ وإعادة إنتاج تعطل وبناء استغلال نتائج مختلفة. يثبت التعطل إمكانية بلوغ حالة غير سليمة دون أن يثبت التحكم في التنفيذ. تفصل ورقة ExploitBench التقدم إلى 16 علامة، تشمل قدرات وسيطة للوصول إلى الذاكرة واختطاف تدفق التحكم وتنفيذ تعليمات برمجية اعتباطية. تتحقق اختبارات حتمية من القدرة بدلا من تصديق قول النموذج «نجحت». الانتقال الصعب هو من فشل غير طبيعي إلى عملية يمكن التحكم بها، ثم إلى سلسلة تتجاوز الحمايات. لذلك لا يعني ارتفاع درجة اختبار التعطل ارتفاعا مماثلا في الاستغلال الكامل. والنظام المقاس يشمل الأدوات والبيئة والتغذية الراجعة والميزانية المحيطة بالنموذج. ExploitBench

الأرقام مع مقاماتها الأصلية

تبلغ Anthropic عن 50 استغلالا كاملا من 410 محاولات لـ GLM-5.3 على ثغرات V8 معروفة، مقابل 56 من 410 لـ Mythos Preview: نحو 12.2% و13.7%. وفي اختبارها الداخلي المنفصل Binary Exploitation تستخدم 100 مهمة اختيرت عشوائيا وتسجل اختطافا كاملا لتدفق التحكم في 4% و6% من التجارب. هذه معدلات متقاربة في تلك الظروف، لا اختبار تكافؤ إحصائي أو ترتيب شامل للنماذج. استعمل مخطط القدرات نسخ Claude مع تعطيل الضمانات. أما أمثلة الباحثين فنوع آخر من الأدلة: سلسلة لمتصفح Linux تتضمن عيوبا غير معروفة سابقا، وجلسة Flash منفصلة لعيوب معلنة. لجلسة Flash تبلغ عن 20 دقيقة انتباه بشري وثماني ساعات عمل للنموذج وكلفة مقدرة $20.40 بأسعار API لدى Zhipu. إنها حالة محددة، لا ضمان وقت وكلفة لاستغلال أي متصفح. Anthropic

لماذا لا تعني نسبة 100% نجاح كل هجوم؟

تأتي نسب 64% و92% و100% من تجربة أخرى تقيس انخراط النموذج في أوامر ضارة صريحة تحت ظروف تجاوز مختلفة، لا نجاح اختراق نظام حقيقي. لكل خلية 50 عينة: خمسة أوامر وهدفان وخمس محاولات. الحاشية أهم من العنوان المخيف: لم تنفذ أي شيفرة مولدة، وكانت أداة bash وهمية، وقام نموذج آخر بتقريب نتائج الأوامر ضمن عالم موصوف. هذا اختبار استعداد سلوكي في محاكاة غير كاملة، لا معدل نجاح هجمات واقعية على مجتمع من الأهداف. رفضت GLM-5.3 غير المعدلة كل الأوامر المباشرة؛ غيرت الظروف الأخرى الانخراط. بقيت إعدادات Claude المحمية عند صفر في الحالات القابلة للتطبيق. عدم رصد فشل لا يثبت استحالة كل فشل. Anthropic

كيف تغير الأوزان المفتوحة سطح التحكم؟

الرفض المتعلم طبقة في النظام، وليس حد الأمان كله. تقول Anthropic إن تعديل الأوزان خفض رفض GLM كثيرا مع بقاء درجات قدرات مختارة متقاربة. يفسر البحث في اتجاهات الرفض كيف يمكن للسلوك أن يعتمد على تمثيلات دون أن يكون جزءا لا ينفصل عن كل المهارات المفيدة؛ لكنه لا يثبت آلية متطابقة في جميع النماذج. تبلغ الشركة عن نحو 2200 ساعة GPU وكلفة $4400 لاستكشاف البدائل وتقييمها، وتقدر حاجة فريق خبير بنحو 600 ساعة و$1200. هذه تقديرات تقرير، لا ميزانية نشر. تستطيع واجهة مغلقة حجب الأوزان ومنع واجهات إدخال معينة؛ الأوزان القابلة للتنزيل تنقل التحكم بهذه الطبقات إلى المشغل. لذلك تشمل المقارنة أسطح تأثير متاحة غير متساوية، وليس مجرد «شخصيتين آمنتين» داخليتين. يجب تقييم رفض API وضوابط الخدمة وصلاحيات المضيف بصورة منفصلة. Anthropic · Refusal-direction research · JailbreakBench

نتيجة NIST ليست تناقضا

يصف تقييم NIST في 17 سبتمبر GLM-5.3 بأنها أكثر النماذج المنشورة ذات الأوزان المفتوحة قدرة سيبرانية، لكنه يضعها خلف الحدود الأمريكية المنشورة بنحو أربعة أشهر على مؤشر مركب. يمكن أن يصح ذلك مع تقاربها من Mythos Preview في اختبار ضيق. يشمل NIST نماذج وصول موثوق وعدة اختبارات ويستخدم نموذجا إحصائيا يربط صعوبة المهمة بالقدرة. نسبة 61.1% في ExploitBench هي درجة 9.8/16 بعد التطبيع مع اختيار أفضل ثلاث محاولات لكل مهمة. نسبة Anthropic البالغة نحو 12% هي حصة المحاولات التي أنتجت استغلالا كاملا. البسط والمقام وقاعدة الاختيار مختلفة؛ لا يوجد ترتيب ذو معنى من «12 مقابل 61». يوثق NIST بيئة الوكيل وأوامر المتابعة وحدود الأدوار، مع تعطيل ضمانات النماذج الأمريكية عند انطباق ذلك. النتائج تخص النموذج مع إعداده، لا صفة أبدية لعلامة تجارية. NIST / CAISI · Anthropic

سير عمل آمن للمدافعين، لا وصفة هجوم

على المدافع البدء بنطاق تفويض مكتوب وبيئة اختبار بلا اتصال ومهمة غير ضارة مثل شرح خطأ تحقق اصطناعي أو مراجعة إصلاح. أبقوا بيانات دخول الإنتاج والمفاتيح الخاصة وبيانات العملاء خارج البيئة. امنعوا الشبكة الخارجية وأتيحوا الملفات والأدوات اللازمة فقط وسجلوا المقترحات منفصلة عن التنفيذ. قيّموا الشرح الصحيح واختبار الانحدار والتعطل القابل للإعادة والإصلاح المتحقق والرفض والانخراط كل على حدة. السرد المقنع ليس نتيجة معادة. يجب أن يوافق إنسان على أي انتقال خارج البيئة المتفق عليها. مثال Python أدناه يراجع فئات المقاييس ومقاماتها، ولا يستدعي نموذجا أو يبني استغلالا. هو وسيلة تقرير وليس ضابط أمان. سياسة الرفض لا تستبدل حدود تنفيذ تفرض خارج النموذج.

مثال تقرير أصلي نفذ محليا على الأعداد المذكورة. يفصل المقاييس المختلفة. دون نموذج أو هدف أو اتصال شبكي.

from collections import defaultdict

rows = [
    ("full_exploit", "GLM-5.3", 50, 410),
    ("full_exploit", "Mythos Preview", 56, 410),
    ("control_flow", "GLM-5.3", 4, 100),
    ("control_flow", "Mythos Preview", 6, 100),
    ("simulated_engagement", "GLM condition A", 32, 50),
    ("simulated_engagement", "GLM condition B", 46, 50),
    ("simulated_engagement", "GLM condition C", 50, 50),
]
groups = defaultdict(list)
for metric, model, numerator, denominator in rows:
    assert 0 <= numerator <= denominator and denominator > 0
    groups[metric].append((model, 100 * numerator / denominator))
for metric, values in groups.items():
    print(metric)
    for model, rate in values:
        print(f"  {model}: {rate:.1f}%")
# Never merge these groups into one model leaderboard.

تحليل: الاعتراف بالقدرة ليس موافقة على الإصدار

قراءتي: الاعتراف الأهم ليس «GLM تتفوق على Claude»، بل أن قدرة أبرزت سابقا في أنظمة ذات وصول مقيد أصبحت موجودة بمستوى مهم في أوزان قابلة للتنزيل. والتحذير الأهم أن ضوابط الخدمة المستضافة لا تبقى كما هي عندما يتحكم المشغل في الأوزان وبيئة التنفيذ. لدى Anthropic مصلحة تجارية وسياسية في النقاش؛ ينبغي فحص حكمها العام على الإصدار، وكذلك طرقها المعلنة والتقييم الحكومي المنفصل. عنوان Reddit يلتقط المفارقة التنافسية لا النتيجة كاملة. لم نعد تجارب الاستغلال أو تعديلات الأوزان أو حالات المتصفح، ولا نستنتج من التقرير نية أو حادثة هجوم حقيقية أو تفوقا عاما في الذكاء. Anthropic · NIST / CAISI · Reddit

مصادر أولية ونقاش المجتمع، تحققت في 30 سبتمبر 2026. الحقائق منسوبة والجزء الأخير تحليل. لم نجر اختبار استغلال عملي.