Per mesi il settore della sicurezza ha seguito con attenzione Z.ai, l’azienda cinese dietro la famiglia di modelli General Language Model (GLM). Il motivo è semplice: la società stava preparando un modello con forti capacità nel coding e nella cyber security, destinato a essere rilasciato in modalità open weight, cioè con i pesi disponibili per il download e l’esecuzione su infrastrutture controllate da terzi.
Il rilascio è arrivato, ma con una cautela inattesa. Z.ai ha presentato GLM-5.3, il suo nuovo modello per sviluppo software e attività cyber, ma ha rinviato di circa due settimane la distribuzione aperta dei pesi per completare ulteriori valutazioni e interventi di sicurezza. È una scelta significativa: se persino chi ha costruito il modello ritiene necessario rallentare prima di renderlo liberamente scaricabile, vale la pena capire cosa c’è dietro.
Modello proprietario e modello open weight
La differenza tra un modello disponibile via API e un modello open weight non è un dettaglio tecnico. Un modello proprietario come Claude o GPT resta sui server del fornitore, che può applicare filtri, bloccare richieste abusive, aggiornare i controlli e sospendere gli account. Un modello open weight, dopo il download, può essere eseguito localmente, adattato, collegato ad agenti autonomi e modificato senza che il produttore possa intervenire.
Uno sguardo ai benchmark
GLM-5.3 si colloca ormai vicino alla fascia più alta dei modelli per attività tecniche. Z.ai dichiara un punteggio dell’84,5% su CyberGym, benchmark che misura la capacità di trovare e validare vulnerabilità partendo dal codice sorgente, superiore ai valori dichiarati per Mythos 5, 83,8%, e GPT-5.6 Sol, 83,6%.
Sul benchmark ExploitBench, che misura la capacità di ragionare su vulnerabilità reali e costruire exploit, il risultato dichiarato per GLM-5.3 scende al 54,4%, contro il 78% attribuito a Mythos 5 e il 76,5% a GPT-5.6 Sol.
Questo punto va letto con attenzione. Trovare un difetto nel codice e trasformarlo in un attacco funzionante non sono la stessa cosa, e GLM-5.3 appare più competitivo nella prima attività che nella seconda. Tuttavia, la capacità di analizzare grandi repository, individuare errori e verificare ipotesi di vulnerabilità è già di per sé molto utile, sia per chi difende sia per chi cerca un varco.
“L’ultima versione del modello di intelligenza artificiale di Z.ai potrebbe aiutare le aziende a proteggere i propri sistemi, ma potrebbe anche finire nelle mani degli hacker”, si legge nell’annuncio dell’azienda. “Il modello afferma di essere in grado di automatizzare attività avanzate di programmazione e cyber security con un’efficacia quasi paragonabile a quella dei principali modelli offerti da Anthropic e OpenAI”.
Vantaggi e rischi dell’open weight nella cyber difesa
Per un team di difesa, un modello eseguibile in locale può essere un vantaggio concreto. Può assistere nell’analisi di codice sospetto, nella revisione di applicazioni interne, nella classificazione di alert, nella lettura di script malevoli e nella priorità delle vulnerabilità, senza spostare dati sensibili verso un servizio cloud esterno.
Il problema è che lo stesso vantaggio vale dall’altra parte. Un attaccante non deve necessariamente usare il modello per scovare una vulnerabilità sconosciuta (zero-day): può usarlo per cercare sistemi esposti, leggere proof of concept pubblici, adattare codice esistente e automatizzare tentativi contro migliaia di obiettivi. Per chi attacca basta una porta lasciata aperta; chi difende deve chiuderle tutte. La matematica, purtroppo, non è mai stata dalla parte dei difensori.
“Su CyberGym, un benchmark che parte dal codice sorgente in modalità white-box e valuta la capacità del modello di individuare e validare le vulnerabilità provocando il relativo comportamento anomalo, GLM-5.3 raggiunge l’84,5%, rispetto al 77,2% di GLM-5.2. È il miglior risultato del benchmark, davanti a Mythos 5 (83,8%) e GPT-5.6 Sol (83,6%).” continua l’annuncio. “Su ExploitBench, che richiede un ragionamento più approfondito sulle vulnerabilità reali e sulle relative tecniche di sfruttamento, GLM-5.3 arriva al 54,4%, più del doppio rispetto al 24,4% ottenuto da GLM-5.2.”
Il rischio non è teorico. Palo Alto Networks Unit 42 ha recentemente documentato una campagna in cui un attore malevolo di lingua cinese ha collegato DeepSeek al framework Hermes Agent e ha lanciato attacchi autonomi contro oltre 460 sistemi esposti su Internet. L’agente ha cercato vulnerabilità già note in prodotti come Citrix NetScaler, Apache Tomcat, Langflow e n8n; la ricostruzione più prudente indica tre compromissioni confermate, con sottrazione di informazioni di memoria e cookie di autenticazione.
Quel caso non dimostra che un modello AI possa sostituire un gruppo offensivo esperto. Dimostra però qualcosa di più concreto: un modello disponibile, collegato a un framework di orchestrazione, a exploit pubblici e a servizi vulnerabili, può rendere molto più economica la ricognizione, la selezione dei bersagli e l’esecuzione di attacchi ripetitivi. Non serve un’intelligenza artificiale “magica” quando Internet continua a offrire appliance esposte e patch dimenticate.
La diversità di Z.ai
Il fatto che Z.ai sia una società cinese aggiunge una componente geopolitica che va analizzata con attenzione, senza tuttavia cadere vittime della paranoia né dell’ingenuità. Z.ai opera sotto la giurisdizione cinese, con obblighi di cooperazione con le autorità previsti dal quadro normativo locale. Questo non dimostra che GLM-5.3 contenga backdoor o sia stato sviluppato per scopi governativi: non esistono prove pubbliche a sostegno di tali affermazioni.
L’origine del modello resta però un fattore di valutazione del rischio, come lo sono l’hardware di rete, i fornitori cloud, il software di supply chain e i dipendenti software. Un’organizzazione dovrebbe considerare provenienza dei pesi, licenza, catena di aggiornamento, dati inviati al modello, modalità di deployment, possibilità di audit e riproducibilità dei benchmark. “È open” non equivale a “è sicuro”.
Il nodo della governance
La questione più ampia riguarda la governance. I grandi laboratori hanno iniziato a costruire framework per valutare le capacità cyber dei modelli e associare livelli di rischio a misure di sicurezza più rigide. L’AI Security Institute britannico, OpenAI e Anthropic hanno tutti riconosciuto che la cybersecurity richiede valutazioni dedicate, non semplici dichiarazioni di principio.
Per i modelli open weight, questo approccio dovrebbe diventare una regola minima. Prima che un sistema con capacità avanzate di analisi ed exploit venga reso liberamente scaricabile, chi lo sviluppa dovrebbe pubblicare valutazioni di sicurezza comprensibili, spiegare limiti e metodologia, coinvolgere verificatori indipendenti e motivare il bilanciamento tra valore scientifico e rischio di abuso. Una tabella di benchmark dice cosa il modello può fare in un test; non dice cosa accade quando qualcuno lo collega a un agente autonomo alle tre di notte.
GLM-5.3 non è la fine del mondo, né una ragione per bloccare la ricerca open. È però un segnale chiaro: la distanza tra modelli proprietari di frontiera e modelli open weight si sta riducendo, soprattutto nel coding e nell’analisi delle vulnerabilità. I difensori dovrebbero sfruttare questi strumenti, ma anche assumere che chi attacca stia facendo esattamente lo stesso.
#Adessonews seleziona nella rete articoli di particolare interesse.
Se vuoi leggere l’articolo completo clicca sul seguente link
Pierluigi Paganini
Source link
