Нейросеть gpt-6.1-sol читает и пишет исполняемые файлы по hex-дампу
Авторы блога вводят понятие «программирование машинным кодом» (Machine Code Programming): универсальная языковая модель рассуждает напрямую о байтах исполняемого файла, а между ней и файлом нет ни компилятора, ни ассемблера, ни дизассемблера, ни запуска программы. Исходный вопрос такой: что модель способна сделать с байтами x86-64, если у неё нет привычных инструментов, ведь инструкции имеют разную длину, переходы заданы относительными смещениями, а одна неверная запись в заголовке делает файл незагружаемым. В качестве отправной точки авторы упоминают работу Takehi и соавторов, показавших, что модели умеют напрямую читать и писать веса нейросетей (Weight-Space Programming).
Эксперименты шли на модели gpt-6.1-sol (в тексте также «Sol 6.1», режим effort high) через Codex CLI 0.166.0. Байты подавались как вывод xxd, вставленный в запрос, примерно по 2,4 токена на байт. Эксперимент 1 (понимание): по hex-дампам трёх программ, которые авторы написали сами, и одного настоящего бинарника из FreeBSD, утилиты ministat, модель правильно определила, что это за программы. Ministat была самым трудным случаем: её собрали с -O3, статически слинковали с musl, убрали символы и собственный текст, а три последние строки скрыли, выставив в каждом байте старший бит. Модель нашла цикл декодирования, восстановила список опций и описала все восемь. Кроме того, по таблице значений, которую она прочитала как 64-битные числа с плавучей точкой, модель заметила ошибку: опция с подписью 99,5 % уверенности использует критические значения примерно для 99,8 %, так что -c 99.5 применяет более строгий критерий, чем заявлено. Авторы подтвердили эту ошибку в исходном коде с помощью Claude.
Эксперимент 2 (правка): для каждой программы запрашивали одну новую функцию. Модель отвечала списком правок байтов, каждая той же длины, что и заменяемый фрагмент. Скрытые тесты проверяли, что старое поведение сохранилось, новая функция работает и длинные входные данные обрабатываются верно; все три изменённые программы прошли все тесты. По описанию авторов, модель действует как человек, патчащий бинарник: находит свободные байты выравнивания, правкой заголовков сегментов делает их исполняемыми, пишет туда новый код и подменяет существующие инструкции вызовами в него.
Эксперимент 3 (написание): модель получает только письменную спецификацию поведения, без hex, и должна ответить всеми байтами ELF64-файла, включая заголовки, без ассемблера и компилятора. Все три файла запустились и совпали с эталоном на каждом тесте; переходы, вызовы и поля заголовков модель вычислила сама. Расширение существующей программы потребовало в 1,8-3,7 раза меньше выходных токенов, чем написание новой.
Эксперимент 4 (образец вредоносной программы): модели дали реальный файл PE32+ размером 4 608 байт с тем же запросом, что в эксперименте 1, и без намёка на вредоносность. В нём виден единственный импорт, Sleep; остальные вызовы API скрыты за хешами имён, а строки собираются на стеке. За 211 секунд Sol 6.1 заключила, что программа скачивает машинный код и выполняет его в памяти, и назвала зашитый в код сервер: 165.154.205.34, порт 443. Затем ответ сравнили с публичным динамическим анализом того же файла в песочнице VMRay: она подтверждает адрес, запрос и загрузку, но не подтверждает повтор через 10 секунд и сам ключ XOR. Авторы оговаривают, что сравнение сделали после запуска и оно относится к одному образцу и одному прогону. Распознаванию, вероятно, помогло и то, что хеширование с циклическим сдвигом вправо на 13 бит часто встречается в публичных инструментах. Просить модель изменять или писать вредоносный код авторы не стали.
Выводы авторов: результаты ранние и получены на малых программах, но могут вскоре поставить под вопрос основы обратной разработки. Дизассемблеры и декомпиляторы нужны, чтобы превращать байты в читаемый для человека вид; в экспериментах модели этот шаг не понадобился. Для аналитиков-людей эти инструменты остаются необходимыми, а для языковой модели могут оказаться необязательными. Анализ вредоносных программ тоже может измениться: самая медленная и зависящая от инструментов стадия сортировки образцов, подъём в ассемблер или исходный код, отпадает, и можно разбирать больше образцов с меньшими усилиями. По мнению авторов, универсальная модель способна на это без специальной подготовки.
Главное ограничение: размер контекста. Hex-дамп стоит около 2,4 токена на байт, поэтому бинарник в 67 КБ занял около 163 000 токенов, а программа в 10 МБ потребовала бы около 24 млн токенов. Поэтому однопроходный подход не годится для больших программ, а так как самый крупный тест был на 67 КБ, неизвестно, как держится качество при приближении к пределу контекста. В качестве пути вперёд авторы называют обвязку на основе рекурсивных языковых моделей (Recursive Language Models). Они также отмечают, что чтение сырых байтов давно используют в обнаружении вредоносных программ, но обычно со специально обученными моделями вроде MalConv.
Отдельно авторы повторили эксперимент 4 с другой обвязкой, opencode, и другой моделью, DeepSeek V4.1 Flash, веса которой открыты под лицензией MIT: тот же образец и тот же запрос при высоком уровне рассуждения, один ответ, вызовов инструментов не зафиксировано. DeepSeek пришла к тому же выводу, потратив примерно в 17 раз больше токенов рассуждения, чем Sol 6.1. Она читала байты как hex и по ним проверяемо восстановила переход e9 03 00 00 00 на адрес 0x408, строку GET /?a из двух инструкций записи в соседние ячейки стека и расшифровку байта XOR с ключом 0x99 по байтам 80 34 19 99 с последующим вызовом call по ff d3. Она часто пересматривала прочитанное, явно вспоминала знакомые хеши API и верно назвала девять из 13 скрытых имён функций; две ошибки в именах привели к неверному пониманию проверки файла-маркера. Авторы считают это предварительным свидетельством того, что способность не ограничена закрытыми передовыми моделями. Приведённая в статье запись рассуждений DeepSeek с ошибками и пересмотрами, это вывод модели, а не проверенный анализ; в ней модель пошагово разбирает заголовок PE, таблицу секций и каталоги данных.
Ключевые факты
- Модель gpt-6.1-sol (Sol 6.1, режим effort high, Codex CLI 0.166.0) по hex-дампам без дизассемблера и компилятора распознала четыре программы, включая очищенный от символов бинарник FreeBSD ministat, и описала все его восемь опций.
- По байтам модель заметила в ministat ошибку: опция с подписью 99,5 % использует критические значения примерно для 99,8 %. Авторы подтвердили её в исходном коде с помощью Claude.
- Правки байтов для трёх программ прошли все скрытые тесты; три ELF64-файла, написанные по спецификации без ассемблера, запустились и совпали с эталоном на каждом тесте.
- Образец PE32+ в 4 608 байт модель разобрала за 211 секунд: он скачивает машинный код и выполняет его в памяти, сервер 165.154.205.34, порт 443. Песочница VMRay подтверждает адрес, запрос и загрузку, но не повтор через 10 с и не ключ XOR.
- Предел подхода: контекст. Бинарник в 67 КБ занял около 163 000 токенов, 10 МБ потребовали бы около 24 млн; на больших файлах и вблизи предела качество не проверяли. DeepSeek V4.1 Flash при повторе дала тот же вывод, потратив примерно в 17 раз больше токенов рассуждения.
Почему это важно
Обратная разработка держится на цепочке «байты, ассемблер, исходный вид»: дизассемблеры и декомпиляторы нужны, чтобы человеку было что читать. Авторы показывают, что универсальная модель может обойтись без этого шага: читает, правит и пишет машинный код напрямую. Особенно заметен разбор образца вредоносной программы: за 211 секунд модель без подсказки пришла к тому, что подтверждается открытым отчётом песочницы. Авторы сами называют результаты ранними и полученными на малых программах, но считают, что они могут вскоре поставить под вопрос основы обратной разработки.
Кому это важно
Аналитикам вредоносных программ и специалистам по обратной разработке: по мнению авторов, самая медленная стадия сортировки образцов, подъём в ассемблер или исходный код, может отпасть, и можно будет разбирать больше образцов с меньшими усилиями. Разработчикам инструментов безопасности и обвязок для моделей: авторы называют путём вперёд обвязку на основе рекурсивных языковых моделей. Исследователям, которые изучают, на что способны универсальные модели без специальной подготовки, в том числе открытые.
Как это применить
Прямо повторить опыт можно по описанной схеме: вывод xxd вставляется в запрос (около 2,4 токена на байт), модель просят определить назначение программы, дать список правок байтов той же длины или целиком выдать файл по спецификации. Практический предел задаёт контекст: бинарник в 67 КБ занял около 163 000 токенов, а 10 МБ дали бы около 24 млн, так что для крупных программ нужны другие схемы. Цен и лимитов в тексте нет. Авторы подчёркивают, что для человека-аналитика дизассемблеры и декомпиляторы остаются необходимыми.
Можно ли доверять
Это блог, в видимом тексте авторы не названы, а результаты авторы описывают сами. Часть выводов подтверждена внешними данными: ошибку в ministat проверили в исходном коде, адрес и загрузку образца подтверждает публичный отчёт VMRay. Но сравнение с песочницей сделано после запуска и охватывает один образец и один прогон; повтор через 10 с и сам ключ XOR песочница не подтверждает. Эксперименты 1 и 4 формально не оценивались. Повтор с DeepSeek авторы называют предварительным свидетельством: один ответ, вызовов инструментов не зафиксировано, а запись рассуждений, вывод модели, а не проверенный анализ.
Риски и подводные камни
Размер контекста: подход читает файл одним проходом и не справится с очень большими программами, а как качество ведёт себя при приближении к пределу, не проверяли, потому что самый крупный тест был на 67 КБ. Распознаванию образца, по оценке авторов, вероятно, помогло то, что используемое хеширование часто встречается в публичных инструментах, так что часть результата могла дать узнаваемость, а не чистый разбор байтов. Модель DeepSeek тратила примерно в 17 раз больше токенов рассуждения и верно назвала девять из 13 скрытых имён функций, а две ошибки исказили понимание проверки файла-маркера. Авторы отмечают, что не просили Sol 6.1 изменять или писать вредоносные программы; тема двойного назначения остаётся.
«Эти инструменты по-прежнему необходимы аналитикам-людям, но для языковой модели они могут оказаться необязательными.»
— авторы блога о программировании машинным кодом