تصویر مرتبط با خبر: Sol Searching | Can Frontier Models Tackle Autonomous Long-Horizon Malware Analysis?
خلاصه سریع
اصل خبر در چند خط
لابراتوار سنتینلوان معیاری چندمرحلهای برای ارزیابی مدلهای هوش مصنوعی پیشرو در مهندسی معکوس توسعه داد.
این معیار با بازسازی تحقیق درباره بدافزار fast16، توانایی مدلها در حفظ اعتماد تحقیق بدافزاری را میسنجد.
تنها مدل GPT-5.6 Sol توانست تحقیق هشتمرحلهای را کامل کند.
مدلهای دیگر تحلیلهای محلی ارائه دادند، اما نتوانستند تحقیق را تا پایان پیش ببرند.
بازیابی در مقیاس پروژه، عامل تمایز اجراهای کامل بود.
با این حال، حتی بهترین مدلها نیز خطاهای معنایی داشتند و کنترلهای کیفی ضعیفی را میپذیرفتند.
مهندسان ارشد مهندسی معکوس همچنان ضروری هستند.
متن خبر
شرح خبر
لابراتوار سنتینلوان معیار چندمرحلهای جدیدی برای ارزیابی مدلهای هوش مصنوعی پیشرو در مهندسی معکوس توسعه داده است.
این معیار با بازسازی تحقیق اخیر درباره بدافزار fast16، یک ایمپلنت خرابکار منحصر به فرد از سال ۲۰۰۵، توانایی مدلها را در حفظ اعتماد تحقیق بدافزاری حتی در صورت باطل شدن مکرر نتایج قبلی توسط شواهد جدید میسنجد.
تنها مدل در دسترس عمومی، GPT-5.6 Sol شرکت OpenAI، توانست تحقیق هشتمرحلهای را به طور کامل انجام دهد و توانمندیهای «کلاس پیشرو» را برای تحلیلگران ملموس کند.
مدلهای دیگر مانند GPT-5.5، GLM-5.2 و خانواده Opus 4.x تحلیلهای محلی قابل قبولی ارائه دادند، اما نتوانستند تحقیق را تا پایان پیش ببرند.
تفاوت اصلی در اجراهای کامل، بازیابی در مقیاس پروژه بود: پس گرفتن نتایج ردشده، تعمیر آرتیفکتهای فنی و بهروزرسانی گزارشهای وابسته بدون از دست دادن مسیر تحقیق.
با این حال، حتی بهترین اجراها نیز خطاهای معنایی داشتند و کنترلهای کیفی ضعیفی را میپذیرفتند.
این صفحه خلاصه و تحلیل فارسی خبر را نمایش میدهد. نسخه کامل/اصلی از طریق لینک منبع در دسترس است.
تحلیل تحریریه
ابعاد مهم خبر
چرا مهم است؟
این تحقیق نشان میدهد که مدلهای هوش مصنوعی پیشرو میتوانند در تحلیل بدافزارهای پیچیده و بلندمدت نقش مهمی ایفا کنند، اما هنوز به نظارت انسانی نیاز دارند.
توانایی این مدلها در بازیابی و بهروزرسانی اطلاعات بدون از دست دادن مسیر تحقیق، گامی بزرگ در خودکارسازی تحلیلهای امنیتی است.
با این حال، خطاهای معنایی و پذیرش کنترلهای کیفی ضعیف نشان میدهد که این فناوری هنوز در مرحله بلوغ نیست و نیاز به بهبود دارد.
اثر کسبوکاری
شرکتهای امنیتی میتوانند از این مدلها برای تسریع تحلیل بدافزارها و کاهش هزینههای نیروی انسانی استفاده کنند.
با این حال، نیاز به نظارت انسانی و کنترلهای کیفی دقیق، هزینهها و پیچیدگیهای پیادهسازی را افزایش میدهد.
همچنین، محدودیتهای دسترسی به مدلهای پیشرو ممکن است برای برخی شرکتها چالشبرانگیز باشد.
اثر احتمالی برای ایران
در ایران، دسترسی به مدلهای پیشرو هوش مصنوعی ممکن است با محدودیتهای بینالمللی مواجه باشد، که این امر میتواند توانایی سازمانها و شرکتهای امنیتی داخلی را در استفاده از این فناوریها محدود کند.
با این حال، توسعه مدلهای بومی یا استفاده از مدلهای در دسترس میتواند فرصتهایی برای رشد و نوآوری در حوزه امنیت سایبری ایجاد کند.
ارتباط با LegalTech
محدودیتهای دسترسی به مدلهای پیشرو و کنترلهای «شناسایی مشتری» میتواند چالشهای حقوقی و فنی جدیدی را برای شرکتها و سازمانها ایجاد کند.
این محدودیتها ممکن است نیاز به انطباق با مقررات بینالمللی و داخلی داشته باشند، که میتواند پیچیدگیهای حقوقی و فنی را افزایش دهد.
زاویه رسانه/کشور منبع
تحقیق و تحلیل فنی توسط لابراتوار سنتینلوان، یکی از پیشروان حوزه امنیت سایبری
