资深安全工程师 netmeister 在 2026 年 9 月发布的长文，撕开了大模型安全军备竞赛的一角遮羞布。在 Anthropic 与 OpenAI 相继启动以大模型为底座的漏洞挖掘计划后，网络安全行业正陷入一场严重的资源错配：工程师被动沦为大模型海量报警的核验员，而真正能被下游验证、打上补丁并部署到生产系统的漏洞少得可怜。
信息安全的本质瓶颈从来不在于找出更多潜在漏洞，而在于如何把补丁稳妥打进软件资产并完成更新。当大模型的输出能力呈指数级膨胀，这一基础现实并未被颠覆，反而因上游治理挤兑变得愈发棘手。
2.6 万个漏洞警报背后：0.8% 的补丁转化率与账目落差
2026 年 4 月 7 日，Anthropic 正式启动 Project Glasswing，采用未公开发布的 Claude Mythos Preview 模型进行开源代码审计。这项服务的定价高达每百万输入 Token 25 美元、每百万输出 Token 125 美元，Anthropic 为此提供了最高 1 亿美元的使用额度补贴，迅速引来大量企业与安全团队跟进。
大模型挖掘漏洞的速度确实惊人。Anthropic 在 5 月公布的数据显示，系统共扫描出 23,019 个开源候选漏洞，其中 6,202 个初评为高危或严重漏洞。然而在人工复核的 1,752 个样本中，虽然确认有效漏洞达 1,587 个，但最终向维护者披露的 530 个高危漏洞里，当时仅有 75 个完成了代码修补。
到了 9 月，第三方安全审计机构 VulnCheck 针对 Project Glasswing 的公开账本展开了复核，结果暴露出更剧烈的落差。在 Anthropic 声称的 26,153 个发现中，只有 2,736 个被正式登记在公开账本上，而明确显示完成修复的仅有 202 个（约 0.8%）。审计还指出，模型生成的严重程度评级与维护者的实际认知脱节严重，在抽查知名开源项目 curl 的测试样本中，模型提交的 5 个报告最终仅有 1 个被维护者确认为安全漏洞。
这一断层清楚说明：发现端与修补端的割裂正在大模型的助推下被无限放大。
模型能力趋同，胜负手落在工程管道与上游合并
行业对大模型参数能力的迷信也并未得到基准测试的支撑。HackerOne 针对 GPT-5.5、Claude Opus 4.7 与 Claude Sonnet 4.6 展开的漏洞可利用性验证测试显示，在 38 个标准化测试用例中，最高分与最低分仅相差 1 例判断。不同模型在安全审计上的原生智力差异，远没有厂商宣称的那样悬殊。
真正的分水岭在于大模型外围的集成治具（Harness）与端到端工作流设计。OpenAI 推进的 Daybreak 计划采取了不同的路径：不单纯强调挖掘漏洞的总量，而是主攻补丁生成与上游交付。
| 计划 / 项目 | 覆盖对象规模 | 问题发现量 | 补丁生成表现 | 上游合并接受率 |
|---|---|---|---|---|
| OpenAI Daybreak | 41 个开源代码库 | 858 个已识别问题 | 生成 263 个补丁（生成率 30.7%） | 143 个被上游合并（占补丁 54.4%） |
| Anthropic Glasswing | 跨生态开源库 | 26,153 个声称发现 | 登记 2,736 个公开账目 | 202 个证实修补（转化率约 0.8%） |
OpenAI Daybreak 公布的数据显示，在其覆盖的 41 个开源代码库中，识别出 858 个具体问题，自动化生成了 263 个补丁，最终有 143 个补丁被上游合并接受。这意味着 OpenAI 实现了 16.7% 的端到端闭环率，其补丁在上游维护者那里的采纳率超过一半。相比 Anthropic 依靠天量 Token 漫灌堆砌漏洞报告的做法，将算力用于生成高兼容性代码显得更具实用价值。
挖掘漏洞的边际成本已近乎为零，但上游合并的边际沟通成本正在成倍上升。
挤兑开源公地：中间协调机制与被忽视的基本功
当数以万计的疑似漏洞被自动化推向社区，开源维护者成了事实上的代偿者。软件供应链安全企业 Chainguard 发起的 Athena 计划在启动前三周就处理了超过 40,000 个漏洞，其数据同样佐证了一个残酷现实：某大型 AI 漏洞挖掘项目中，仅有约 6% 的发现能够最终推送到上游开源项目。
绝大多数开源项目由志愿者维护，面对格式整齐、措辞严肃却缺乏可验证利用场景的 AI 报告，维护者不得不耗费大量私人时间进行证伪。
为了防止开源协作体系被垃圾警报冲垮，Linux 基金会于 2026 年 6 月 25 日联合产业界推出了 Akrites 共享安全事件响应服务（SIRT）。这一中立机构专门承接来自 Glasswing 等 AI 工具的原始报告，承担起前置去重、危害验证与多方披露的缓冲带职责，试图避免企业将未经精细核实的漏洞直接倾倒给开源社区。
但即使上游把补丁打好，企业终端的防御依然脆弱。过去几个月里，多家企业抽调资深安全工程师，花费数百万美元的人力成本开发适配大模型的接口和分拣管道，却将真正的防御基本功抛在一边。
- 风险.若企业不具备细粒度的软件资产清单，不能做到定期自动重启系统以加载更新内核，再多的 AI 漏洞警报也无法换来生产环境的真正安全。
- 建议.企业安全预算应当从追逐大模型挖洞噱头，回撤到全量攻击面测绘、自动化补丁分发管道与日常运维演练这些无聊却见效的基建上。