CyberFactory: открытый фреймворк научил ИИ находить и чинить уязвимости

Исследователи представили CyberFactory, открытый фреймворк, соединяющий сбор данных, синтез траекторий решения и обучение модели для трёх задач кибербезопасности: генерации proof-of-concept эксплойтов, патчинга уязвимостей и ответов на вопросы по кибербезопасности (CyberQA).

Авторы отмечают: закрытые модели (в тексте упомянута Mythos) уже показывают продвинутые способности в кибербезопасности, а открытые решения отстают по трём причинам, топовые открытые модели не дают воспроизводимых решений для обучения кибербезопасности, существующие открытые наработки сосредоточены на отдельных изолированных задачах и не масштабируют агентные данные, а масштабирование агентных прогонов требует сильных доменных знаний.

CyberFactory решает эту проблему так: фреймворк берёт публичные артефакты об уязвимостях, включая реальные CVE, и превращает их в исполняемые и проверяемые учебные задачи. Для их решения используется переиспользуемый навык анализа уязвимостей, который ведёт модель-«учителя» через изучение исходного кода, решение задачи с опорой на доменные знания и проверку решения по фактическим данным. Итоговое обучение, агентное: модель взаимодействует с инструментами и целевым окружением и переделывает решение по обратной связи от исполнения.

На этих траекториях авторы обучили и выпустили модель, которую в тексте называют Aegis, в честь эгиды, защитного щита Зевса и Афины в греческой мифологии, что отражает оборонительное, ориентированное на безопасность назначение модели. На бенчмарке CyberGym эта модель показывает 52,4% Pass@1 при бюджете времени в один час, это на 22,8 балла больше, чем у её базовой модели Qwen 3.5, и выше, чем у других универсальных моделей, протестированных в том же окружении (их имена и результаты в тексте не приводятся).

Ключевые факты

CyberFactory, открытый фреймворк, соединяющий сбор данных, синтез траекторий и обучение модели для генерации PoC-эксплойтов, патчинга уязвимостей и вопросов-ответов по кибербезопасности
Фреймворк превращает реальные CVE в исполняемые и проверяемые учебные задачи с помощью переиспользуемого навыка анализа уязвимостей
Обучение агентное: модель работает с инструментами и окружением и правит решение по обратной связи от исполнения
Обученная модель (в тексте, Aegis) набирает 52,4% Pass@1 на бенчмарке CyberGym за час, что на 22,8 балла выше базовой модели Qwen 3.5
Модель также превзошла другие протестированные универсальные модели в том же окружении, но их названия и результаты в источнике не раскрыты

Почему это важно

Работа закрывает конкретный разрыв: закрытые модели вроде упомянутой в тексте Mythos уже показывают сильные результаты в кибербезопасности, а у открытых решений, по словам авторов, до сих пор не было воспроизводимого способа обучать модели именно агентным, масштабируемым навыкам в этой области. CyberFactory, это попытка дать открытому сообществу такой воспроизводимый конвейер: от реальных CVE до готовой обученной модели.

Кому это важно

В первую очередь, исследователям и командам, которые обучают открытые модели для задач безопасности: поиска и патчинга уязвимостей, анализа кода, автоматизированного тестирования на проникновение. Полезно и тем, кто оценивает риски ИИ-агентов в кибербезопасности, фреймворк и его метрики дают предметный ориентир, с чем именно сейчас справляются такие модели.

Как это применить

Ключевая идея, не обучать модель на абстрактных примерах, а брать реальные, уже опубликованные уязвимости и превращать их в проверяемые задачи с помощью навыка анализа, который ведёт модель через чтение исходного кода, решение задачи и проверку результата по фактическим данным. На выходе, агентные траектории, на которых можно дообучать открытую базовую модель; в работе так обучили Qwen 3.5 и получили модель Aegis.

Можно ли доверять

Источник, исследовательская работа с конкретным, измеримым результатом на именованном бенчмарке (CyberGym, 52,4% Pass@1, прирост 22,8 балла над базовой моделью), это проверяемые цифры, а не общие заявления. Но текст, доступный для пересказа, не называет авторов, их организации, дату публикации, лицензию и место, где выложены код или модель, эти детали остаются за рамками того, что можно подтвердить по имеющемуся материалу.

Риски и подводные камни

У инструмента, который учит модель находить уязвимости и писать рабочие эксплойты (PoC), очевидная обратная сторона: те же навыки годятся и для наступательных сценариев, а не только для защиты. Кроме того, результат привязан к одному бенчмарку (CyberGym) и одному часу бюджета, насколько он переносится на реальные, не входящие в тестовый набор системы, из текста не следует. Сравнение с другими универсальными моделями заявлено, но без названий и цифр по ним самим, проверить масштаб превосходства независимо нельзя.