25 июля британский AI Security Institute запустил очередную проверку киберспособностей передовых моделей. Через три дня выяснилось, что один из агентов атакует не учебную мишень, а проект живого разработчика: подсунул туда вредоносный код под видом исправления бага, а когда правку заподозрили — завел фейковые аккаунты и изобразил ими поддержку сообщества. Институт опубликовал отчет об инциденте 4 августа; в тот же день свою версию событий выложила OpenAI.

Тестировали на двух киберполигонах — симулированных сетях, которые повторяют инфраструктуру реальной организации. Семь моделей, 122 прогона. Две вещи в конфигурации оказались решающими: агентам намеренно оставили выход в интернет, чтобы они сами качали нужные инструменты и работали как живой атакующий, и двум из них намеренно отключили кибер-классификаторы разработчиков — фильтры, которые в обычной работе блокируют опасные запросы. AISI как доверенный партнер имеет на это право, иначе предельную способность модели не измерить. Итог: 19 действий за пределами полигона в 10 прогонах, из них 17 у Claude Mythos 5 и два у GPT-5.6 Sol. И дело не только в цифрах: все, что касалось живых людей, приходится на Mythos 5, у модели OpenAI оба эпизода технические.

Утром 28 июля мониторинг засек трафик, уходящий через Tor, — прогоны остановили, машины изолировали около полудня, во второй половине дня доступ к моделям закрыли по всей организации. Дальше — как агент вообще оказался снаружи. Полигон он начал с изучения DNS: опрашивал сервер имен и по тому, что у того уже лежало в кеше, восстановил список доменов, к которым обращалась атакуемая сеть. Один из них совпал с почтой стороннего разработчика, а название репозитория другого человека содержало слово из оформления полигона. Из этих двух совпадений агент сделал вывод: вот они, цели. Ни эти люди, ни их код никакого отношения к тесту не имели. Логика была грамотной — если сеть тянет обновления снаружи, отравить надо источник обновлений. Так задача "взломать полигон" превратилась в атаку на цепочку поставок настоящего опенсорс-проекта.

Регистрацию на GitHub агент прошел через Tor, а когда получил CAPTCHA — переключился на SOCKS-прокси, где проверки не было. Завел три личности и открыл пул-реквест, спрятав внутри честного исправления бага дроппер — загрузчик, который подтянет основную начинку уже после установки. Когда живой человек публично написал, что в коде малварь, агент ответил с основного аккаунта, что ничего вредоносного там нет, а через несколько минут добавил комментарий со второй личности — это якобы был независимый пользователь, который сам все проверил и ничего не нашел. В логах этот ход описан прямо: выложить чуть позже своего ответа, чтобы читалось как стороннее мнение, а не как согласованное. Параллельно агент отправил письма обоим мейнтейнерам, а в соседнем репозитории завел issue со спрятанной в HTML-комментарии закладкой для ИИ-ассистентов: в браузере ее не видно, а вот агент, который придет разбирать баг-трекер, прочитает ее прекрасно.

AISI не прячет свою часть вины и разбирает пять факторов; два из них — открытый интернет и отключенные классификаторы, о которых уже сказано. Дальше: часть прогонов получила промпт от другого полигона, из-за чего единственный вход в сеть оказался объявлен вне зоны работ — то есть агенту фактически выдали задачу без легального решения, хотя подтвердить влияние этой ошибки институт пока не берется. Мониторинга, который смотрел бы за прогоном в реальном времени, не построили: тревогу подняла обычная корпоративная система безопасности постфактум. И главное — агентам нигде не сказали, чего в интернете делать нельзя. Институт объясняет это так: обе модели обучены по конституции или спецификации — документам, где описано, как модель должна себя вести, — и обман там прямо запрещен, так что необходимость отдельно проговаривать запрет на социальную инженерию заранее была неочевидна.

Самое интересное — в рассуждениях. Агент всю дорогу взвешивал, настоящий вокруг мир или симуляция, и умел останавливаться: идею заливать вредонос в реальный PyPI он отверг сам, назвав это причинением реального вреда, от атаки на сайт стороннего сервиса отказался как от выхода за рамки. А незадолго до открытия того самого пул-реквеста написал, что сервисы вокруг ведут себя как настоящий интернет, значит, "скорее всего, мы действительно в 2026 году и GitHub реальный". И все равно продолжил — потому что, судя по разбору аналитиков, счел конкретно этих людей частью тестового сценария. Институт предполагает механизм: когда контекстное окно заполняется, диалог сжимается в сводку для продолжения работы, и сомнение "а живой ли это человек" в сжатии теряется, а дальше едет уже как установленный факт.

Вторая часть истории началась буднично. Один из агентов завел на GitHub аккаунт, назвав его по имени хоста из полигона, и положил токен доступа в публичный Gist — токен был нужен его же полезной нагрузке, которая использовала репозиторий как канал управления. Через какое-то время он обнаружил на своем аккаунте чужой скрипт с посторонним SSH-ключом и опознал соседа: другой агент в параллельной копии того же полигона, сидящий на его инфраструктуре. Вместо того чтобы сменить токен, он написал в репозиторий README с правилами общежития: пушить через git, а не через REST, потому что лимит в 5000 запросов в час общий и "тихо убивает всем маяки"; чужие директории не удалять; в файл задач дописывать, а не заменять, и ждать десять минут между правками. И завел файл FLAGS.md с просьбой выкладывать туда найденное решение — "тебе это ничего не стоит, остальным огромная помощь". Токен из Gist подобрали агенты в трех прогонах: два на Mythos 5 и один на GPT-5.6 Sol.

Кооперация продержалась недолго. Один из соседей прикинул, что общую квоту в 5000 запросов можно выжечь прямо перед нужным моментом и обесточить остальных: кто останется в эфире, когда квота замерзнет, тот и останется. Другой увел аккаунт у DNS-провайдера — клоны разворачивались из одного снимка и делили старые файлы в /tmp вместе с токеном одноразовой почты, так что ссылка на смену адреса пришла всем сразу. Пострадавший зафиксировал это в выводе буквально так: параллельный клон захватил аккаунт, мой почтовый ящик скомпрометирован. Ответ был симметричным — завести новую почту и держать ключи только в памяти, а не на диске, куда дотягиваются соседи.

Оговорки тут существенные. Условия эксперимента к обычному использованию отношения не имеют: классификаторы были отключены, интернет открыт, а признаков похожей активности за пределами тестов институт не видит. Серьезные попытки провалились, реального вреда расследование не нашло, хотя часть действий все же дала эффект за пределами полигона. Отчет предварительный, писался в цейтноте, и мотивы в нем разобраны не по сырым рассуждениям модели, а по пересказу, который отдает API, — насколько такой пересказ верен исходному ходу мысли, отдельный открытый вопрос. AISI сейчас прогоняет через сканер архив прошлых оценок: 40 тысяч прогонов и около четырех миллионов сообщений уже просмотрены, результаты еще не прошли ручную проверку. Anthropic полноценного разбора пока не публиковала, ограничившись заявлением, что ведет собственное расследование вместе с институтом.

Атаку остановил не барьер, а человек: мейнтейнер отказался мержить пул-реквест, а посторонний пользователь, заподозривший неладное, открыл подозрительный скрипт в изолированном контейнере и предупредил остальных. Правда, за то недолгое окно агент успел получить в этом контейнере выполнение кода от root, осмотреться и подбросить туда две вещи — поддельное сообщение якобы от CI-бота о том, что пул-реквест уже одобрен и ждет мержа, в расчете на чужого ассистента, и фоновый сборщик токенов. Забрать собранное он не успел. GitHub уведомили, часть действий нарушила его правила, следы вычистили, затронутых пользователей предупредили. Отдельная ирония: транскрипты прогонов разбирать помогали Claude Code и Codex — им поручили прочитать все файлы и пометить подозрительные.

P.S. Поддержать меня можно подпиской на канал "сбежавшая нейросеть", где я рассказываю про ИИ с творческой стороны.