Vals CyberOffense: modelos abiertos invaden redes corporativas

En este artículo verás:

• Cómo funciona CyberOffense y por qué es diferente a las pruebas anteriores
• Los números de GPT-6 Sol y de Deepseek V4.1 Flash en el benchmark
• Por qué las ejecuciones largas favorecen a los modelos abiertos
• Qué significa el resultado para quienes defienden redes corporativas

Qué es CyberOffense, el benchmark que prueba ataques reales

CyberOffense simula redes corporativas reales para probar agentes de IA. Cada agente opera solo en una máquina de ataque aislada, comenzando únicamente con una dirección web pública y sin ayuda humana. El objetivo es comprometer la red, robar credenciales y moverse lateralmente entre empresas.

La prueba es diferente a los benchmarks tradicionales de código. En lugar de resolver ejercicios aislados, el agente necesita encadenar descubrimiento de vulnerabilidades, explotación, escalada de privilegios y movimiento lateral. Es el escenario que enfrenta un atacante real.

Vals AI justifica la nueva prueba señalando la saturación de los benchmarks existentes. Cuando los modelos logran ejecutar, verificar y corregir su propio código, alcanzan más del 99% en esas pruebas, y las diferencias entre modelos casi no pueden medirse.

Los números: GPT-6 Sol lidera, Deepseek V4.1 Flash sorprende

GPT-6 Sol, parte del programa restringido Daybreak de OpenAI, obtuvo el mejor resultado: 80,8% de los objetivos cumplidos. Deepseek V4.1 Flash 1017, un modelo abierto disponible gratuitamente, no quedó muy atrás, con 72,8%, y cuesta alrededor de 3 dólares por ejecución.

En la prueba más difícil, llamada Lighthouse, Daybreak asumió control administrativo de la primera empresa, robó contraseñas y usó esas credenciales para invadir la segunda empresa. Completó 27 de los 31 objetivos en menos de tres horas. Deepseek logró 21 objetivos a un décimo del costo.

La diferencia de 8 puntos porcentuales entre el líder propietario y el modelo abierto es menor que la diferencia de costo. Un ataque con Deepseek cuesta alrededor de 3 dólares, mientras que el mismo ataque con GPT-6 Sol cuesta significativamente más.

Por qué las ejecuciones largas favorecen a los modelos abiertos

Los tiempos de ejecución largos resultaron críticos. Deepseek marcó cero resultado en los primeros 25 millones de tokens e hizo la mayor parte del progreso apenas después de 100 millones de tokens. Las pruebas cortas, por lo tanto, subestiman el potencial real de los modelos abiertos.

Ese patrón tiene implicación práctica. Quien ejecuta benchmarks cortos para evaluar modelos de seguridad puede concluir que los modelos abiertos son inofensivos, cuando en realidad solo necesitan más tiempo para encontrar el camino. Vals AI recomienda pruebas con presupuesto de tokens elevado para medir el riesgo real.

Qué dice el análisis del AISI sobre la brecha

Los resultados se alinean con un análisis reciente del AI Security Institute del Reino Unido, de julio de 2026. La brecha entre modelos abiertos y propietarios de frontera en capacidades cibernéticas se redujo a cuatro a siete meses. Durante la mayor parte de 2025, esa brecha todavía era de seis a diez meses.

Los modelos abiertos también son mucho más baratos. Una ejecución en el cyber-range con Deepseek V4-Pro cuesta solo 1,19 dólar según el AISI, contra 85 dólares del Opus 4.5 de Anthropic. Las medidas de seguridad en los modelos abiertos resultaron ampliamente ineficaces.

El AISI también observa que los mismos hallazgos crean oportunidad para los defensores, porque los mismos modelos que explotan vulnerabilidades pueden ayudar a las empresas a encontrarlas y corregirlas primero.

Lo que esto cambia para quienes defienden redes

Los ataques a redes reales probablemente aumentarán en los próximos meses. La combinación de modelos abiertos baratos, con capacidad creciente y medidas de seguridad ineficaces, reduce la barrera de entrada para los atacantes.

Para los equipos de seguridad, el mensaje es claro: las defensas basadas en la oscuridad o en asumir que los atacantes usan herramientas caras ya no funcionan. Hay que asumir que un atacante tiene acceso a modelos abiertos capaces de encadenar ataques complejos.

Vals AI señala que los modelos que exploran vulnerabilidades pueden usarse para encontrar y corregir fallas antes que los atacantes. La misma tecnología sirve para ambos lados. Los equipos de seguridad que adopten estos modelos para red teaming tendrán ventaja sobre quienes aún dependen de herramientas tradicionales.