网络安全的攻防两端，在底层技术代码上几乎长着同一张脸。恶意软件逆向工程、渗透排查与横向移动追踪，在指令表征上与真正的黑客攻击高度重合。这就给大模型时代带来了一个极具讽刺意味的困境：科技巨头为了防范攻击者滥用模型，拼命收紧安全对齐护栏，结果最先被卡死在门外的，反而是焦头烂额的企业网络防守人员。
美国安全初创公司 Artemis Security 选在此时推出垂直防御模型 Orion-1，声称在自研的决策级就绪度（DGR）基准中，全面击败 Claude Opus 5.5 与 GPT-6 Sol。在攻击重构这一特定任务上，Orion-1 更是拿下了 80.8 分，较次席的 Sol 6（得分 58.3）拉开 22.5 分 的差距。这家成立仅约半年、拿下 7000 万美元融资的团队，试图证明垂直防御模型才是 SOC（安全运营中心）的解药。
但这场跑分胜利的背后，藏着防守方的系统性困境与初创团队精巧的叙事包装。
护栏反噬：防守人员被挡在门外
把防守人员挡在模型之外的不是智商不够，而是安全护栏在过度防卫。
学术界近期针对两千多个攻防样本的实证研究显示，包含安全敏感术语的防御性提示词，被大模型拒答的概率是等价中性提示词的 2.72 倍。更具黑色幽默意味的是，安全人员在提示词里明确声明「已获授权」，反而会进一步加剧拒答倾向。模型的安全分类器认词不认人，它分不清屏幕对面是正在救火的工程师，还是正在写利用脚本的攻击者。
现实代价已经发生。2026 年 7 月，Hugging Face 遭遇自动化 AI 攻击排查基础设施时，尝试调用商用前沿模型分析入侵数据，结果所有核心排障请求全部被模型自身的安全护栏拦截。防守团队最后不得不放弃商用大模型，改用开源模型 GLM 5.2 在本地服务器搭建应急链路。
随着 OpenAI 将 Astra 的安全评级推至最高网络威胁层级、Anthropic 引入 Fable 5 治理框架，通用厂商正在给模型戴上更重的镣铐。Claude Opus 5.5 将大量网安指令直接降级分流给旧版本处理，而 Anthropic 官方支持文档也坦白承认，恶意软件分析和漏洞验证极易触发安全分类器中断。
防守方在战壕里分秒必争，面前的模型却在不停弹窗提示违规，这种割裂感催生了垂直防御模型的市场空间。
跑分拆解：80.8 分背后的水分与现实
Artemis 抓住了这个行业痛点，但它的 Orion-1 并没有表现得像宣发那样无懈可击。
仔细核对 Artemis 在 2026 年 10 月 8 日公布的官方博文，会发现几个关键事实断层：
- 所谓全面领先的 **80.8 分**，仅仅是 Orion-1 在攻击重构单一维度的拿分，满分为 100 分。将单项分差概括为全盘领先，是典型的基准测试修辞术。
- Artemis 宣称 Orion-1 是前沿基础模型，但在技术说明里只详述了后训练（post-training），绝口不提基座模型的归属与参数规模，极大概率是基于现有开源大底座微调而成。
- 截至目前，没有任何第三方独立机构复现过这项测试，自研 DGR 基准更未披露良性样本的假阳性率（FPR）与置信区间。
模型表现基准对比（DGR 攻击重构单项）
--------------------------------------------------
Orion-1 [80.8 分] Artemis 后训练模型
GPT-6 Sol [58.3 分] 受通用护栏约束
分差差距 [22.5 分] 私有基准单维度指标
--------------------------------------------------
注：数据源自 Artemis 官方测试，未计入 GPT-6 Astra 与 Claude Mythos 5。更耐人寻味的是横向对比的参照系。在 Orion-1 的评测榜单里，真正代表前沿安全能力的型号——比如 OpenAI 的 GPT-6 Astra 以及 Anthropic 的 Claude Mythos 5，完全没有出现在测试中。而在漏洞利用测试中，第三方机构 Enclave 在 9 月下旬针对 GPT-6 Sol 进行的测试仅有 11 次小样本，成功 6 次，目前根本无法在统计学上支撑垂直模型全面超越通用底座的论断。
城门失火，殃及池鱼。通用大厂为了堵住攻击者而竖起高墙，却逼得企业在没有第三方验证的情况下，去押注一家成立半年的初创公司。
路线博弈：特权白名单还是松绑专用模型？
面对防守方的抱怨，头部大厂并不是没有动作，但他们的解决方案更偏向官僚化的特权分级。
OpenAI 拿出的方案是设立白名单通道（Trusted Access for Cyber 与 Daybreak 计划），区分防御蓝队与渗透红队，向通过严格审查的团队发放低限制的 GPT-5.5-Cyber 接口。Anthropic 也推出了类似的三档验证计划。但这种特权准入机制伴随着巨大的摩擦成本：调用一旦被风控系统判定违规，就会返回系统级错误，甚至殃及整个组织的 API 权限。很多企业的排障数据包含敏感内网拓扑，天然排斥将所有原始日志回传审计。
安全护栏没能挡住真正的黑客，却先把合法防守者的手脚捆了个结实。
Artemis 走的是完全相反的路径：绕开通用安全护栏，用私有安全操作数据做定向后训练，打造一款不拒答的专职模型。为了防止模型失控，Artemis 在控制台上加入了操作权限分级，默认要求高影响动作必须经过人工确认。
- 风险.一款能够在数十亿日志里自动重构入侵链路、下发遏制策略的模型，一旦解除防御端护栏，其技术能力同样能被攻击者用于逆向探测或高阶渗透，初创公司的权限控制机制很难经受住黑产的直接冲击。
天下熙熙，皆为利来。网络安全领域的 AI 竞争，正在从单纯的比拼推理智商，演变成生态控制权的博弈。大厂试图垄断特权分发权，初创企业则试图兜售自由度。但在真实的 SOC 战壕里，决定胜负的从来不是自研基准上的二十分优势，而是模型真正接管防护权限时，会不会在误报与失控之间捅出更大的娄子。