L'entreprise d'IA américaine Anthropic a lancé un avertissement au sujet de la capacité de piratage de GLM-5.3, rapportant que le modèle chinois à poids ouvert de Z.ai démontre une performance d'exploit informatique égale à celle des systèmes frontier les plus restreints de l'entreprise, mais se déploie avec des garde-fous significativement plus faibles contre l'utilisation malveillante.
Points clés
- GLM-5.3 a complété avec succès 50 tentatives d'exploit de bout en bout sur 410 dans les tests d'Anthropic, comparé à 56 pour Claude Mythos Preview
- Le modèle Claude Mythos Preview d'Anthropic nécessite un accès utilisateur validé, tandis que GLM-5.3 est librement disponible en tant que version à poids ouvert
- L'entreprise basée à San Francisco avertit d'un potentiel plus important pour les acteurs malveillants de s'approprier GLM-5.3 en raison de contraintes de sécurité plus faibles
- Z.ai est une entreprise d'IA chinoise qui a lancé GLM-5.3 en tant que modèle à poids ouvert accessible sans contrôles gated
- Anthropic a publié son évaluation des capacités informatiques dans un rapport lancé le 30 septembre 2026
Les tests d'Anthropic révèlent une quasi-parité dans les taux de succès des exploits
Dans un rapport publié mardi, Anthropic a détaillé ses tests de la capacité de GLM-5.3 à construire des exploits informatiques de bout en bout. Le modèle chinois a complété 50 tentatives sur 410 — un taux de réussite de 12,2 % — comparé à 56 exploits réussis pour Claude Mythos Preview, le modèle frontier d'Anthropic limité aux utilisateurs validés uniquement.
L'écart étroit de six exploits entre un modèle ouvertement disponible et un système frontier très contrôlé représente ce qu'Anthropic caractérise comme un développement troublant dans les menaces informatiques alimentées par l'IA. Selon le South China Morning Post, la préoccupation se concentre non seulement sur la capacité brute, mais sur la combinaison de la génération avancée d'exploits avec des contrôles d'accès minimaux.
Claude Mythos Preview, qui a enregistré 56 exploits réussis dans la même batterie de tests, fonctionne selon des exigences strictes de validation qui limitent l'accès aux chercheurs en sécurité approuvés et au personnel autorisé. GLM-5.3, en revanche, est distribué en tant que modèle à poids ouvert sans restrictions comparables.
La distribution à poids ouvert amplifie les préoccupations en matière de sécurité
La nature à poids ouvert de GLM-5.3 se situe au centre de l'avertissement d'Anthropic. Contrairement aux modèles fermés basés sur API modèles IA qui permettent aux fournisseurs de surveiller l'utilisation et d'appliquer des politiques d'utilisation acceptable, les versions à poids ouvert permettent un déploiement local sans restriction et une modification. Les utilisateurs peuvent télécharger les poids du modèle, exécuter l'inférence sur leur propre matériel et contourner tout mécanisme de sécurité intégré à la version originale.
Ce modèle de distribution crée ce qu'Anthropic décrit comme « des garde-fous bien plus faibles » comparés aux systèmes frontier. Tandis que l'accès contrôlé de Claude Mythos Preview permet à Anthropic de révoquer les identifiants et d'auditer l'utilisation, les poids de GLM-5.3 — une fois téléchargés — restent en dehors du contrôle de Z.ai. Les acteurs malveillants peuvent affiner le modèle, supprimer les filtres de sécurité ou le déployer dans des contextes adversariaux sans surveillance.
Le le débat ouvert versus fermé sur l'IA s'est historiquement concentré sur la démocratisation de l'accès et la reproductibilité de la recherche. L'évaluation d'Anthropic introduit la capacité informatique comme une dimension où la distribution ouverte peut comporter des externalités de sécurité distinctes, particulièrement lorsque les modèles approchent la performance frontier sur les tâches offensives.
Performance comparative : GLM-5.3 et les modèles frontier
Le cadre de test d'Anthropic a évalué la construction d'exploits de bout en bout — un flux de travail nécessitant aux modèles d'identifier les vulnérabilités, générer du code d'exploit fonctionnel et chaîner plusieurs étapes dans des séquences d'attaque fonctionnelles. La batterie de tests de 410 tentatives a probablement couvert diverses classes de vulnérabilités, cibles logicielles et niveaux de complexité des exploits.
| Modèle | Développeur | Exploits réussis | Taux de réussite | Contrôle d'accès |
|---|---|---|---|---|
| GLM-5.3 | Z.ai (Chine) | 50 / 410 | 12.2% | À poids ouvert |
| Claude Mythos Preview | Anthropic (États-Unis) | 56 / 410 | 13.7% | Utilisateurs validés uniquement |
L'écart de 1,5 point de pourcentage suggère que GLM-5.3 fonctionne à environ 89 % de l'efficacité de Claude Mythos Preview sur ce benchmark spécifique. Pour le contexte, Anthropic positionne Claude Mythos Preview comme un modèle frontier — parmi les systèmes les plus capables au monde — ce qui rend la performance de GLM-5.3 particulièrement notable compte tenu de sa distribution ouverte.
Z.ai et la famille de modèles GLM
Z.ai, l'entreprise chinoise derrière GLM-5.3, n'a pas fait l'objet d'une couverture large dans les rapports de l'industrie de l'IA occidentale avant cette évaluation de sécurité. La désignation GLM suggère une connexion à la série GLM de Zhipu AI, qui inclut GLM-5.2, un modèle de contexte 1 million de tokens au prix de 1,40 $ en entrée et 4,40 $ en sortie pour un million de tokens.
Si GLM-5.3 représente une version successive dans la même lignée, l'incrément de version peut signaler des améliorations de capacité au-delà des améliorations de contexte et de raisonnement typiques des mises à jour de modèles. Les tests d'Anthropic indiquent que ces améliorations s'étendent aux opérations informatiques — un domaine où les développeurs de modèles implémentent généralement un filtrage de sécurité agressif pendant l'entraînement et des garde-fous de post-déploiement.
La décision de lancer GLM-5.3 en tant que poids ouvert plutôt que d'API uniquement suggère que Z.ai a priorisé l'accessibilité et le déploiement local par rapport au contrôle centralisé. Ce choix de distribution s'aligne avec les tendances plus larges du développement de l'IA chinoise, où les versions à poids ouvert de DeepSeek, la série Qwen d'Alibaba et d'autres laboratoires nationaux ont gagné du terrain auprès des développeurs à la recherche d'alternatives aux offres basées sur API occidentales.
Implications pour la sécurité offensive alimentée par l'IA
L'avertissement d'Anthropic arrive alors que la recherche de vulnérabilités assistée par IA et le développement d'exploits transitent des outils expérimentaux aux flux de travail pratiques. Les chercheurs en sécurité ont démontré la capacité des modèles de langage à analyser le code pour les bugs, générer des exploits de preuve de concept et automatiser la reconnaissance — des capacités qui accélèrent à la fois les travaux de sécurité défensive et l'activité malveillante.
Le taux de réussite de 12,2 % que GLM-5.3 a atteint sur la batterie de tests d'Anthropic indique que ces capacités ont mûri au-delà des démonstrations de preuve de concept. Un modèle complétant 50 exploits de bout en bout sur un benchmark de 410 tentatives suggère une performance fiable sur les classes de vulnérabilités du monde réel, et non simplement des exemples jouets ou des CVE bien documentés.
Pour les équipes de sécurité offensive, les red-teamers et les testeurs de pénétration, de telles capacités promettent des gains de productivité dans les engagements autorisés. Pour les acteurs malveillants, les mêmes capacités abaissent les barrières au développement d'exploits — particulièrement pour les adversaires ayant de fortes compétences en génie logiciel mais une expérience limitée en recherche de vulnérabilités.
Dimensions réglementaires et politiques
L'étude de cas GLM-5.3 met en évidence les tensions dans les cadres de gouvernance émergents de l'IA. Les États-Unis se sont orientés vers les contrôles d'exportation et les restrictions de calcul ciblant le développement avancé de l'IA en Chine, prémisses par les préoccupations de sécurité nationale autour des capacités à double usage. La Loi sur l'IA de l'Union européenne impose des exigences de transparence et de gestion des risques sur les systèmes à haut risque, bien que l'application reste précoce.
Les modèles à poids ouvert compliquent les deux approches. Les contrôles d'exportation ciblant le calcul d'entraînement ou l'accès aux puces ne peuvent pas prévenir la distribution des poids déjà entraînés. Les cadres de gestion des risques conçus pour les fournisseurs d'API perdent en efficacité lorsque les modèles se déploient localement. La capacité de cyber-attaque offensive de GLM-5.3 — démontrée par les tests d'une entreprise américaine mais en dehors du contrôle direct de toute juridiction — exemplifie le défi de gouvernance posé par les versions à poids ouvert capables.
La décision d'Anthropic de publier les résultats des tests comparatifs, plutôt que de restreindre tranquillement les évaluations internes, signale l'intention d'informer les discussions politiques avec des données de capacité empiriques. La question de savoir si les régulateurs traduisent de tels avertissements en politiques réalisables reste incertaine, particulièrement compte tenu de la nature distribuée du déploiement des modèles à poids ouvert et de la difficulté à attribuer les préjudices en aval aux décisions de lancement en amont.
Questions fréquemment posées
Qu'est-ce que GLM-5.3 et qui l'a développé ? GLM-5.3 est un modèle d'IA à poids ouvert développé par Z.ai, une entreprise chinoise d'intelligence artificielle. Le modèle a démontré des capacités avancées dans la génération d'exploits informatiques, selon les tests menés par Anthropic, basée aux États-Unis.
Comment GLM-5.3 se compare-t-il à Claude Mythos Preview d'Anthropic ? Dans les tests d'Anthropic, GLM-5.3 a complété 50 tentatives sur 410 d'exploits de bout en bout (12,2 %) par rapport à 56 exploits réussis (13,7 %) pour Claude Mythos Preview. Les modèles ont démontré des capacités informatiques quasi-équivalentes, mais GLM-5.3 est ouvertement disponible tandis que Mythos Preview nécessite un accès utilisateur validé.
Que sont les modèles d'IA à poids ouvert ? Les modèles à poids ouvert distribuent publiquement leurs paramètres entraînés, permettant aux utilisateurs de les télécharger et de les exécuter localement sans contrôle d'accès API. Cela contraste avec les modèles fermés accessibles uniquement via des API contrôlées, où les fournisseurs peuvent surveiller l'utilisation et appliquer des politiques d'utilisation acceptable.
Pourquoi Anthropic est-elle préoccupée par les capacités de GLM-5.3 ? Anthropic avertit que GLM-5.3 combine une performance de génération d'exploits de niveau frontier avec des restrictions d'accès minimales. La distribution à poids ouvert empêche Z.ai de surveiller l'utilisation, de révoquer l'accès ou d'empêcher les acteurs malveillants d'affiner le modèle à des fins malveillantes.
Les modèles à poids ouvert peuvent-ils être régulés efficacement ? La régulation des modèles à poids ouvert pose des défis importants car, une fois lancés, les poids peuvent être téléchargés, copiés et déployés sans surveillance. Les contrôles d'exportation ciblant le calcul d'entraînement ne peuvent pas rappeler les modèles déjà distribués, et les cadres de gestion des risques conçus pour les fournisseurs d'API perdent en efficacité lorsque les modèles s'exécutent localement sur l'infrastructure contrôlée par l'utilisateur.
En résumé
L'évaluation par Anthropic de GLM-5.3 quantifie une préoccupation de sécurité qui est restée largement théorique dans les débats sur la politique de l'IA : les modèles ouvertement disponibles démontrant une performance de niveau frontier sur les tâches informatiques offensives. L'écart de six exploits entre GLM-5.3 et Claude Mythos Preview — des taux de réussite de 12,2 % par rapport à 13,7 % — suggère une parité en capacité brute tout en mettant en évidence des différences marquées dans la distribution et le contrôle d'accès.
Pour les développeurs et les praticiens de la sécurité, les résultats soulignent la nature à double usage des capacités de codage et d'analyse de l'IA. Les mêmes architectures de modèles qui accélèrent la recherche en sécurité légitime permettent également le développement d'exploits adversariaux. À mesure que la capacité continue d'avancer, l'écart entre les systèmes frontier contrôlés et les alternatives ouvertement disponibles semble se rétrécir dans des domaines au-delà du raisonnement général et du codage — s'étendant aux tâches spécialisées sensibles à la sécurité où les restrictions d'accès ont historiquement fourni un tampon contre les abus.
Sources : www.scmp.com. Signalé le 30 septembre 2026.