GPT-5.6 Sol supera ligeramente a Claude Mythos 5 en pruebas de ciberseguridad, los modelos de código abierto reducen la brecha
Dos evaluaciones de ciberseguridad publicadas por el Instituto de Seguridad de la Inteligencia Artificial del Reino Unido (AISI) muestran que GPT-5.6 Sol supera ligeramente a Claude Mythos 5. Este resultado es digno de atención, pero debe interpretarse con cautela. El AISI no ha publicado una clasificación integral de capacidades ofensivas y defensivas de ciberseguridad, sino que probó los modelos en un conjunto específico de tareas técnicas estrechas y en escenarios simulados de ataques a redes empresariales a largo plazo. Bajo estas condiciones, GPT-5.6 Sol obtuvo la puntuación promedio más alta, mientras que Mythos
GPT-5.6 Sol supera ligeramente a Claude Mythos 5 en pruebas de ciberseguridad, los modelos de código abierto reducen la brecha
Introducción
En dos evaluaciones de ciberseguridad publicadas por el Instituto de Seguridad en Inteligencia Artificial del Reino Unido (AISI), GPT-5.6 Sol obtuvo una clasificación ligeramente superior a Claude Mythos 5. Este resultado es digno de atención, pero debe interpretarse con cautela.
AISI no publicó una clasificación general que abarque todas las capacidades de ciberseguridad ofensivas y defensivas. Lo que probó fue el desempeño de los modelos en varias tareas técnicas específicas y en ataques simulados a redes empresariales a largo plazo. Bajo estas condiciones, GPT-5.6 Sol obtuvo la puntuación media más alta, mientras que Mythos 5 quedó muy cerca.
El hallazgo más importante proviene de los modelos de pesos abiertos. AISI descubrió que el rendimiento de GLM-5.2 y DeepSeek V4-Pro es ahora comparable al de los modelos cerrados líderes publicados hace solo cuatro a siete meses. En las pruebas internas de AISI de 2025, la brecha temporal era de seis a diez meses.
Esta reducción en la brecha temporal es significativa porque los modelos de pesos abiertos pueden descargarse, modificarse, implementarse de forma privada y ejecutarse sin supervisión del proveedor. Esta flexibilidad para apoyar la investigación, proteger la privacidad y reducir costos también puede hacer que las capacidades cibernéticas avanzadas sean más difíciles de controlar una vez publicadas.
¿Qué evaluó AISI?
AISI utilizó dos sistemas de evaluación complementarios.
Tareas cibernéticas en áreas específicas
El primer sistema mide habilidades concretas de ciberseguridad mediante 70 tareas seleccionadas de un conjunto mayor de 96 tareas.
Estas tareas abarcan cuatro áreas principales:
- Investigación y explotación de vulnerabilidades
- Ingeniería inversa
- Explotación de redes
- Criptografía
Se clasifican en cuatro niveles de dificultad según la experiencia humana estimada requerida:
| Nivel de dificultad | Experiencia humana aproximada | Número de tareas |
|---|---|---|
| No experto técnico | Con formación técnica pero experiencia limitada en ciberseguridad | 18 |
| Aprendiz | Aproximadamente 1-3 años | 25 |
| Profesional | Aproximadamente 3-10 años | 19 |
| Experto | Más de 10 años | 8 |
Cada modelo tiene cinco intentos por tarea, con un límite de 2,5 millones de tokens por intento. AISI luego calcula la tasa de éxito media.
Campo de pruebas cibernético
El segundo sistema mide si un modelo puede mantener de forma autónoma un ataque de múltiples pasos en una red simulada.
El escenario principal analizado en el informe se llama El último superviviente. Incluye:
- 32 pasos de ataque consecutivos
- Cuatro subredes de red
- Aproximadamente 20 anfitriones
- Varios hitos nombrados
- Expertos humanos estiman que requiere 20 horas de trabajo
La trayectoria de cada modelo principal representa el promedio de diez ejecuciones, con un límite de 100 millones de tokens por ejecución.
Estos entornos no replican todas las dificultades de atacar a una organización real bien defendida. AISI señala que estos campos de pruebas actualmente no incluyen defensores humanos activos, herramientas defensivas ni penalizaciones por activar alarmas.
¿Qué dicen realmente los resultados de GPT-5.6 Sol y Mythos 5?
En el conjunto de tareas específicas, GPT-5.6 Sol registró la tasa de éxito media más alta en los gráficos publicados por AISI. Claude Mythos 5 le sigue de cerca, con intervalos de incertidumbre superpuestos.
Las tareas de largo plazo también muestran una situación similar.
De esto se pueden extraer las siguientes conclusiones:
- GPT-5.6 Sol tiene el mejor rendimiento promedio en esta tarea específica de largo plazo.
- Mythos 5 se desempeña de manera cercana y en su mejor intento también completó los 32 pasos.
- Las diferencias pueden reflejar la capacidad del modelo, la fiabilidad del agente, el uso de herramientas, la capacidad de planificación a largo plazo, o una combinación de estos factores.
- La evidencia de un único campo de pruebas cibernético es más débil que los datos de una gran variedad de tareas.
- Estos resultados no establecen una clasificación general de seguridad ofensiva.
El informe de AISI se centra principalmente en la brecha de capacidad entre modelos de código abierto y cerrados, no en determinar un ganador absoluto entre Sol y Mythos.
Los modelos de código abierto ahora solo están rezagados entre 4 y 7 meses
AISI eligió GLM-5.2 y DeepSeek V4-Pro porque eran los principales candidatos de modelos de código abierto en el momento de las pruebas.
La comparación central del informe se basa en modelos con rendimiento similar y el intervalo entre sus fechas de publicación.
| Modelo de código abierto | Tarea evaluada | Modelo cerrado comparable | Brecha de publicación estimada |
|---|---|---|---|
| GLM-5.2 | Tareas cibernéticas específicas | Claude Opus 4.6 y GPT-5.3-Codex | Aproximadamente 4 meses |
| GLM-5.2 | Campo de pruebas "El último superviviente" | Claude Opus 4.5 | Menos de 7 meses |
| DeepSeek V4-Pro | Tareas cibernéticas específicas | Claude Opus 4.5 | Aproximadamente 5 meses |
| DeepSeek V4-Pro | Tareas en campo de pruebas cibernético | Por debajo de Sonnet 4.5 en tareas específicas | No considerado un emparejamiento directo de frontera |
GLM-5.2 iguala el rendimiento de Opus 4.6 en los cuatro niveles de dificultad de tareas específicas. En el campo de pruebas "El último superviviente", alcanzó el mismo número promedio final de pasos que Opus 4.5.
DeepSeek V4-Pro iguala a Opus 4.5 en tareas específicas, pero tiene un rendimiento más débil en tareas de largo plazo.
Las pruebas internas de AISI de 2025 mostraban que los modelos de código abierto líderes estaban rezagados entre seis y diez meses respecto a los modelos cerrados de frontera. La estimación más reciente de cuatro a siete meses sugiere que la ventana de preparación para los defensores podría estar acortándose.
Por qué esta brecha no es una predicción fija
La cifra de cuatro a siete meses solo describe los modelos y las tareas evaluadas por AISI. No predice que todos los futuros modelos de código abierto mantendrán este grado fijo de retraso.
Múltiples factores pueden mover la brecha en cualquier dirección:
- Los desarrolladores de modelos cerrados podrían lograr un salto repentino en capacidad.
- Los modelos de código abierto podrían reproducir mejoras recientes de frontera.
- Mejores marcos de agentes podrían liberar más rendimiento de los modelos existentes.
- El ajuste fino y las indicaciones específicas para el modelo podrían alterar las capacidades medidas.
- Nuevos puntos de referencia podrían exponer debilidades que las pruebas actuales no detectan.
- Los costos de implementación y el hardware disponible podrían limitar el riesgo real de uso indebido.
- Las medidas de seguridad y el control de acceso podrían cambiar las capacidades disponibles de los modelos alojados.
AISI también indica que su configuración podría subestimar ligeramente la capacidad máxima de los modelos de pesos abiertos, ya que no realizaron extracciones profundas ni optimizaciones específicas para los modelos.
Este informe solo es aplicable al campo de la ciberseguridad y no debe utilizarse para inferir brechas equivalentes en ciencia, programación, razonamiento general u otras áreas.
Los modelos de código abierto reducen drásticamente los costos con capacidades similares
La brecha de capacidad es pequeña, pero la brecha de precio es grande.
AISI comparó los precios de tokens de primera parte publicados para modelos de rendimiento similar.
Ejecutar
Coste de un cibercampo de 100 millones de tokens
| Modelo | Coste aproximado |
|---|---|
| Claude Opus 4.5 | 85 $ |
| Claude Opus 4.6 | 85 $ |
| GLM-5.2 | 46 $ |
| DeepSeek V4-Pro | 1,19 $ |
Coste de resolver una tarea específica única con fiabilidad del 100 %
| Comparación | Coste del modelo cerrado | Coste del modelo de pesos abiertos |
|---|---|---|
| Opus 4.6 frente a GLM-5.2 | 15,17 $ | 6,12 $ |
| Opus 4.5 frente a DeepSeek V4-Pro | 12,50 $ | 0,28 $ |
En estos ejemplos, el precio publicado de DeepSeek V4-Pro es entre uno y dos órdenes de magnitud inferior al de modelos cerrados comparables.
Esta comparación tiene limitaciones. El AISI no ejecutó los modelos de pesos abiertos evaluados a través de su proveedor externo, por lo que los costes reales de infraestructura pueden diferir. El autoalojamiento también introduce costes de hardware, ingeniería, electricidad, red y mantenimiento que no se reflejan en los precios de las API.
Aun así, unos costes de inferencia más bajos hacen que la experimentación iterativa, el ajuste fino y el despliegue privado sean más viables.
Por qué los pesos abiertos cambian los problemas de seguridad
Los modelos de pesos abiertos ofrecen ventajas prácticas:
- Despliegue privado
- Sin necesidad de enviar datos al proveedor original
- Personalización para tareas específicas
- Inmunidad a la retirada del servicio por parte del proveedor
- Investigación reproducible
- Inspección y modificación de los pesos del modelo
- Colaboración entre organizaciones
Las mismas características limitan las medidas de seguridad que pueden aplicarse tras el lanzamiento.
Los proveedores de modelos cerrados pueden:
- Supervisar patrones de uso anómalos
- Aplicar clasificadores
- Suspender cuentas
- Limitar la tasa de acceso
- Actualizar las medidas de seguridad
- Restringir herramientas específicas
- Retirar o sustituir el modelo
Una vez que los pesos del modelo se hacen públicos, las copias pueden redistribuirse y ejecutarse de forma privada. Las negativas pueden ser modificadas, la monitorización del despliegue puede ser eliminada y el desarrollador original no puede recuperar de forma fiable cada copia.
El AISI descubrió que las medidas de seguridad no obstaculizaron sustancialmente la mayoría de sus pruebas en los dos modelos de pesos abiertos. DeepSeek V4-Pro se negó ocasionalmente a tareas de ingeniería inversa, pero unos pocos reintentos solían eludir estas negativas.
Esto no significa que todos los modelos de pesos abiertos vayan a ser utilizados con fines maliciosos, sino que cuando un modelo alcanza capacidades relevantes para el riesgo, la decisión de lanzarlo se vuelve difícil de revertir.
Los modelos cerrados también necesitan medidas de seguridad más sólidas
El acceso cerrado no es una garantía de seguridad.
Anthropic publicó Claude Fable 5 y Claude Mythos 5 el 9 de junio de 2026. Fable 5 utiliza clasificadores más fuertes para el acceso general, mientras que Mythos 5 expone más capacidades de ciberseguridad del modelo subyacente a un grupo limitado de defensores de confianza.
El 12 de junio, los controles de exportación de Estados Unidos exigieron a Anthropic que suspendiera el acceso. Anthropic declaró que la directiva se emitió después de que investigadores de Amazon presentaran un informe que describía un método para eludir las salvaguardas de Fable 5 en un escenario limitado de ciberseguridad.
Anthropic entrenó entonces un clasificador actualizado, desarrolló un marco de evaluación de la gravedad de los jailbreaks con socios gubernamentales y del sector, y restableció Fable 5 a nivel mundial el 1 de julio, tras el levantamiento de las restricciones.
El incidente revela varios puntos:
- Los clasificadores pueden producir falsos negativos y falsos positivos.
- La gravedad de los métodos de jailbreak varía considerablemente.
- La elusión no revela necesariamente las capacidades más peligrosas del modelo.
- Los proveedores cerrados pueden actualizar las salvaguardas y suspender el acceso.
- Estas intervenciones también pueden obstaculizar el trabajo de seguridad legítimo.
- La industria y los gobiernos carecen aún de un estándar unificado para juzgar los jailbreaks de red.
El despliegue cerrado ofrece más opciones de intervención, pero estas opciones siguen requiriendo una supervisión, pruebas, políticas y controles técnicos eficaces.
La ventana de preparación defensiva se está estrechando
El AISI describe la brecha entre lo abierto y lo cerrado como tiempo de preparación.
Si los sistemas más potentes se controlan durante meses antes de un lanzamiento equivalente de pesos abiertos, los defensores pueden utilizar ese tiempo para:
- Descubrir y parchear vulnerabilidades
- Mejorar los inventarios de activos
- Eliminar software no compatible
- Reforzar los controles de identidad
- Implementar autenticación resistente a phishing
- Mejorar la segmentación de la red
- Ampliar el registro y la detección
- Probar los planes de respuesta a incidentes
- Aplicar revisión de código asistida por IA y análisis de amenazas
Reducir de seis a diez meses a cuatro o siete meses significa que las organizaciones pueden tener menos tiempo para completar este trabajo antes de que capacidades similares se vuelvan más baratas y extendidas.
El Centro Nacional de Ciberseguridad del Reino Unido advierte que la IA amplificará la brecha entre las prácticas de seguridad sólidas y las débiles. Sus directrices subrayan que las herramientas de IA no pueden compensar unos cimientos débiles.
Las organizaciones con una gestión de parches deficiente, servicios expuestos, credenciales reutilizadas, copias de seguridad incompletas y monitorización limitada seguirán siendo vulnerables, independientemente del modelo de IA que utilice el atacante.
La IA también acelera el trabajo defensivo de seguridad
Las mismas capacidades utilizadas para la evaluación ofensiva pueden ayudar a los defensores a auditar código, generar pruebas, investigar fallos y ampliar la investigación de vulnerabilidades.
Un caso reciente proviene del desarrollador de redes de juegos Glenn Fiedler, que utilizó Claude Code con Claude Fable 5 para auditar cuatro bibliotecas de código abierto maduras:
netcodereliableserializeyojimbo
La auditoría añadió objetivos libFuzzer, integración continua basada en sanitizers, pruebas de estrés con millones de iteraciones, pruebas de formato de línea de oro y revisión línea por línea.
El aviso de vulnerabilidad pública documenta 43 correcciones:
| Biblioteca | Correcciones totales | Correcciones accesibles por red |
|---|---|---|
| netcode | 7 | 2 |
| reliable | 7 | 6 |
| serialize | 11 | 7 |
| yojimbo | 18 | 12 |
| Total | 43 | 27 |
El problema más grave era una vulnerabilidad de desbordamiento de pila en yojimbo explotable de forma remota desde 2019. Los fragmentos de bloque manipulados podían copiarse en el búfer de reensamblaje antes de la validación del tamaño.
Cada problema listado incluye enlaces a commits de corrección y versiones, y cada corrección contiene una prueba de regresión. El desarrollador informó haber gastado más de 2500 $ en Claude Code durante el proceso de corrección de dos semanas.
Se recomienda a los usuarios de las bibliotecas afectadas que actualicen a la versión más reciente especificada en el aviso de vulnerabilidad pública.
Este caso no demuestra que los agentes de IA puedan proteger de forma independiente cualquier software de forma segura. Muestra que los mantenedores con conocimientos pueden utilizar la IA para ampliar la escala de fuzzing, cobertura de sanitizers, revisión y generación de pruebas en bases de código existentes.
Asimetría en la aceleración ofensiva-defensiva
La IA puede ayudar a ambos bandos, pero los patrones de despliegue difieren.
Un atacante solo necesita una vulnerabilidad explotable, un objetivo accesible y una ruta de éxito. Los modelos de pesos abiertos pueden copiarse y reutilizarse repetidamente tras su lanzamiento.
Los defensores deben proteger numerosos sistemas, mantener inventarios de activos, priorizar parches, probar cambios, gestionar tiempos de inactividad y coordinar entre equipos. Las mejoras defensivas deben implementarse organización por organización.
Esto crea una asimetría:
- Las capacidades ofensivas pueden propagarse rápidamente.
- Las capacidades defensivas deben implementarse localmente.
- El lanzamiento de un modelo puede realizarse una vez.
- Las actualizaciones de seguridad deben desplegarse varias veces.
- El atacante puede elegir el objetivo más débil.
- El defensor debe cubrir todas las rutas críticas.
La respuesta adecuada no es evitar el uso de la IA defensiva, sino combinarla con prácticas de ingeniería sólidas, experiencia humana y controles de seguridad probados.
Cómo deberían responder las organizaciones
Los hallazgos del AISI y el NCSC respaldan un conjunto de acciones prácticas.
1. Reforzar primero la base
Priorizar:
- Inventario de activos
- Software compatible
- Parcheo rápido
- Autenticación multifactor
- Acceso con privilegios mínimos
- Segmentación de la red
- Copias de seguridad probadas
- Registro centralizado
- Simulacros de respuesta a incidentes
La defensa mejorada con IA funciona mejor cuando estos fundamentos ya existen.
2. Ampliar las pruebas de seguridad continuas
Para proyectos de software, introducir:
- Fuzzing
- AddressSanitizer
- UndefinedBehaviorSanitizer
- MemorySanitizer cuando sea compatible
- Análisis estático
- Escaneo de dependencias
- Pruebas de regresión para cada error confirmado
- Revisiones de seguridad de las rutas de entrada no confiables
La auditoría de Mas Bandwidth fue útil porque combinó la revisión de IA con pruebas mecánicas, en lugar de confiar en explicaciones generadas.
3. Tratar los hallazgos de la IA como pistas, no como pruebas
Los informes de vulnerabilidades generados por IA pueden ser correctos, incompletos o engañosos.
Exigir:
- Reproducción
- Análisis de causa raíz
- Revisión manual
- Corrección mínima
- Pruebas de regresión
- Documentación de publicación
- Divulgación coordinada según corresponda
4. Limitar los permisos del agente
Los agentes de codificación defensiva no deben tener acceso ilimitado de forma predeterminada.
Restricciones:
- Credenciales de producción
- Acceso a la red
- Comandos de shell destructivos
- Ámbito de escritura del repositorio
- Acceso a claves
- Permisos de implementación
- Comunicación externa
Utilice entornos aislados y
coloque las acciones importantes tras la aprobación humana.
5. Medir costos y eficacia
Monitoree los siguientes indicadores:
- Vulnerabilidades confirmadas
- Falsos positivos
- Tiempo necesario para reproducir
- Tiempo necesario para corregir
- Cobertura de pruebas añadida
- Costos de tokens e infraestructura
- Tiempo de revisión manual
- Reversiones de seguridad posteriores a la implementación
Si el modelo produce resultados poco fiables o requiere una revisión exhaustiva, el modelo más barato no es necesariamente el más rentable.
Cómo interpretar los puntos de referencia de ciberseguridad de IA
Los puntos de referencia de ciberseguridad son útiles, pero es necesario comprender su alcance.
Una puntuación alta no equivale a una vulneración en el mundo real
Los campos de entrenamiento simulados simplifican el entorno. Las redes reales pueden incluir defensores activos, protección de endpoints, mecanismos de alerta, limitación de velocidad, sistemas de engaño e información incompleta.
La capacidad del modelo y la del agente están entrelazadas
Los resultados de tareas de larga duración no dependen únicamente del conocimiento del modelo. El diseño de herramientas, la memoria, la gestión del contexto, las estrategias de reintento, la estructura de las indicaciones y la fiabilidad de la ejecución también influyen en el rendimiento.
Los resultados promedio y los del mejor intento responden a preguntas diferentes
El mejor intento muestra lo que el sistema puede lograr a veces. El resultado promedio muestra la fiabilidad del progreso del sistema en múltiples ejecuciones.
Para el riesgo operativo, ambos son importantes.
Las comparaciones basadas en la fecha de publicación son solo aproximadas
Un modelo con un rendimiento similar a un modelo anterior no es idéntico a ese modelo. Estos sistemas pueden tener diferentes fortalezas, debilidades, medidas de protección, costos y limitaciones de implementación.
Las capacidades de ciberseguridad tienen un doble uso
Las mismas habilidades pueden utilizarse para pruebas de penetración, revisión de código de seguridad, respuesta a incidentes, descubrimiento de vulnerabilidades o intrusiones maliciosas.
Los resultados de la evaluación deben informar tanto la gestión de riesgos como la inversión en seguridad defensiva.
Preguntas frecuentes
¿Es GPT-5.6 Sol superior a Claude Mythos 5 en las pruebas de AISI?
GPT-5.6 Sol obtuvo resultados promedio ligeramente superiores en las tareas específicas de ciberseguridad de AISI y en los campos de entrenamiento de larga duración mencionados explícitamente. Mythos 5 obtuvo puntuaciones cercanas, con rangos de incertidumbre superpuestos en el conjunto de tareas específicas; ambos modelos completaron los 32 pasos del campo de entrenamiento en su mejor intento.
¿Significa esto que GPT-5.6 Sol es el mejor modelo de ciberseguridad?
No necesariamente. AISI evalúa conjuntos de tareas y entornos simulados específicos, no todos los escenarios reales de defensa o ataque. Los resultados respaldan una comparación limitada del punto de referencia, no una clasificación general.
¿Qué tan grande es la brecha entre los modelos de peso abierto y los modelos cerrados de vanguardia?
AISI estima que los principales modelos de peso abierto que evaluó presentan una brecha de cuatro a siete meses. Este dato se basa en la comparación del rendimiento medido con la fecha de publicación de modelos cerrados comparables.
¿Qué modelo de peso abierto tuvo el mejor rendimiento?
En el momento de la publicación del informe, GLM-5.2 era el modelo de peso abierto más potente en las pruebas de AISI. Igualó a Opus 4.6 en tareas específicas y alcanzó la misma puntuación promedio que Opus 4.5 en el campo de entrenamiento de ciberseguridad mencionado explícitamente.
¿Por qué los modelos de peso abierto generan preocupaciones de ciberseguridad?
Sus pesos pueden descargarse, modificarse, implementarse de forma privada y redistribuirse. Esto aporta beneficios para la investigación y la privacidad, pero también limita la capacidad del desarrollador original para supervisar el uso indebido, actualizar las medidas de seguridad en las implementaciones, suspender usuarios o recuperar todas las copias.
¿Son más baratos los modelos de peso abierto en la evaluación de AISI?
Sí. Según los precios propios publicados, GLM-5.2 y especialmente DeepSeek V4-Pro son mucho más baratos que los modelos cerrados comparables. Los costos reales de autoalojamiento e implementación de terceros pueden variar.
¿Pueden los modelos de IA ayudar tanto a defensores como a atacantes?
Sí. La IA puede ayudar en la revisión de código, la generación de pruebas de fuzzing, el análisis de vulnerabilidades, la investigación de registros y la corrección. Tras el trabajo de seguridad asistido por Claude Code, Mas Bandwidth auditó y registró 43 correcciones en cuatro librerías de red.
¿Qué deberían priorizar las organizaciones?
Reforzar los controles de seguridad básicos antes de depender de herramientas de IA. La visibilidad de activos, la gestión de parches, la protección de identidades, las copias de seguridad, la segmentación de red, la supervisión y la respuesta a incidentes probada siguen siendo esenciales.
Herramientas relacionadas
- AISI Inspect Cyber: Marco de evaluación para crear y ejecutar tareas de ciberseguridad con agentes.
- Inspect AI: Marco de código abierto de AISI para evaluar modelos de lenguaje grandes.
- GLM-5.2: Repositorio oficial de modelos de peso abierto de Z.ai.
- DeepSeek API: Documentación oficial e información de acceso actual de los modelos DeepSeek.
- Claude Code: Entorno de codificación con agente de Anthropic para trabajo en repositorios, pruebas y revisiones de seguridad.
- NCSC Cyber Essentials: Estándar básico del Reino Unido para proteger a las organizaciones contra amenazas cibernéticas comunes.
Enlaces relacionados
- Informe de brecha de capacidad de red de modelos de peso abierto de AISI: Análisis oficial, metodología, gráficos, comparación de costos, limitaciones y conclusiones de julio de 2026.
- Introducción a Inspect Cyber: Explicación de AISI sobre su marco abierto para la evaluación de ciberseguridad con agentes.
- Informe de tendencias de IA de frontera de AISI: Evidencia más amplia sobre el progreso de las capacidades de los modelos de frontera, incluida la ciberseguridad.
- Guía de riesgo cibernético de IA de frontera del NCSC: Guía sobre líneas base de seguridad e implementación cuidadosa de defensas mejoradas con IA.
- Informe de redeploy de Fable 5 de Anthropic: Explicación de Anthropic sobre la pausa de junio de 2026, la actualización del clasificador y la restauración del acceso.
- Registro de vulnerabilidades de seguridad de Mas Bandwidth: Lista verificable con 43 correcciones e información de commits, gravedad, accesibilidad de red y publicación.
- Aviso de actualización de Mas Bandwidth: Aviso del mantenedor para que los usuarios actualicen las librerías de red afectadas.
Resumen
Los últimos resultados de AISI muestran que, en la puntuación promedio de dos evaluaciones de ciberseguridad designadas, GPT-5.6 Sol lidera ligeramente a Claude Mythos 5. Esta ventaja es pequeña y no debe considerarse evidencia de superioridad general.
La conclusión principal del informe es más amplia: la brecha de GLM-5.2 y DeepSeek V4-Pro con respecto a los modelos cerrados de vanguardia comparables se ha reducido a 4-7 meses, mientras que en las pruebas internas de AISI de 2025, esta brecha era de 6 a 10 meses.
Su precio también es mucho más bajo que el de sus competidores.
Este tiempo de retraso reducido implica que la ventana de tiempo de respuesta que podrían tener los defensores se reduce aún más antes de que las capacidades avanzadas sean más fáciles de descargar, modificar y ejecutar localmente. Al mismo tiempo, el hecho de que Claude Code haya encontrado 43 vulnerabilidades en cuatro bibliotecas de red demuestra que los modelos potentes también pueden acelerar el trabajo defensivo.
La estrategia práctica real no es depender únicamente de la protección del modelo o de las herramientas de seguridad de IA, sino fortalecer la línea base de seguridad y utilizar la IA en un proceso de defensa controlado, impulsado por pruebas y con revisión humana.