Gemini 4 Argon нашла вдвое больше уязвимостей, чем базовые модели, в тестах Wiz

Google DeepMind опубликовала видео с результатами тестов Gemini 4 Argon в кибербезопасности. Исследователи Wiz прогнали модель через теневое A/B-тестирование на реальных системах. По их оценке, Argon нашла более чем в два раза больше уязвимостей, чем базовые модели. Среди критических находок оказались обход ограничений на скачивание файла и мастер-ключ в программном обеспечении для здравоохранения.

Что известно о тесте

Формат «shadow A/B testing» обычно означает, что новую систему запускают параллельно с действующим процессом и сравнивают результаты, не подменяя ими рабочие решения. Здесь в роли контрольной группы выступили базовые модели, а площадкой стали реальные системы, а не учебные стенды с заранее заложенными ошибками. Это сильнее синтетического бенчмарка, потому что в живом коде много шума, унаследованных решений и неочевидных связей между компонентами.

Данные из анонса:

• формат: теневое A/B-тестирование на реальных системах;
• кто проверял: исследователи по безопасности Wiz;
• главный результат: более чем двукратный прирост найденных уязвимостей относительно базовых моделей;
• примеры находок: обход ограничений на скачивание файла и мастер-ключ в медицинском ПО;
• заявленные сильные стороны: продвинутое рассуждение, работа на длинном горизонте, многошаговый анализ угроз и помощь в устранении.

Почему эти находки важны

Обход проверок при скачивании файлов обычно открывает доступ к данным, которые пользователю видеть не положено. Мастер-ключ в чужих руках способен открыть сразу много замков. В медицинском ПО цена такой ошибки измеряется не только деньгами, но и утечкой чувствительных данных пациентов. Поэтому DeepMind выбрала именно эти примеры: они показывают, что модель ищет проблемы с реальными последствиями, а не формальные замечания к стилю кода.

Заявка на «long-horizon» способности в безопасности имеет прямой смысл. Серьёзная уязвимость редко лежит на поверхности. Чаще это цепочка: одна слабая проверка, неверное предположение в соседнем модуле, ключ в неожиданном месте. Модель, которая держит контекст через много шагов и не теряет нить, теоретически находит такие цепочки чаще, чем та, что смотрит на файлы по отдельности. DeepMind подчёркивает, что Argon делает это без усталости, и для рутинного анализа больших кодовых баз это существенно.

Как это применять защитникам

Практический вывод простой: проверять на своих данных. Командам безопасности имеет смысл повторить схему Wiz в малом масштабе. Нужно запустить модель в теневом режиме на одном-двух внутренних сервисах параллельно с текущими сканерами и ручным ревью. Дальше сравнить не количество находок, а подтверждённые критические уязвимости, долю ложных срабатываний и время на триаж.

Отдельно стоит проверить поиск секретов и ключей, обходы авторизации и логику доступа к файлам, потому что именно такие классы ошибок показал DeepMind. Предложенные моделью исправления нужно пропускать через код-ревью и тесты, а не принимать автоматически. Доступ самой модели к репозиториям и данным надо ограничить, особенно в регулируемых отраслях вроде медицины.

Наконец, учитывать нужно обе стороны. Если защитники получают модели с многошаговым анализом, такие же возможности рано или поздно появятся и у атакующих. Выигрывает тот, кто раньше встроит их в рабочий процесс и научится отделять реальные находки от шума.