في السنوات الأخيرة، أصبح استخدام نماذج اللغة الكبيرة (Large Language Models) في تنظيم أدوات الأمن السيبراني جزءًا شائعًا من عالم التكنولوجيا. لكن لا تزال العوامل المحددة لقدرتهما غير موضحة بشكل جيد. يتناول هذا المقال نتائج دراسة جديدة تُسلط الضوء على كيفية تأثير نموذج (Model) على أداء أدوات الأمن، مستخدمة HexStrike-AI، وهي مشغل مفتوح المصدر يتيح الوصول إلى أكثر من 150 أداة.

خلال الدراسة، تم إجراء 86 تحديًا من نوع picoCTF عبر سبع فئات وثلاث مستويات صعوبة، تحت ثلاثة نظم للوصول إلى الأدوات وثلاث تكوينات للنماذج/العملاء (774 تجربة). واكتشف الباحثون أن العميل الذي يقود النموذج يمثل عاملًا أساسيًا (2.1 * فجوة بين عميلين من DeepSeek) مع زاوية صعوبة متزايدة، حيث كانت المكاسب الأكبر في المستوى المتوسط.

على مستوى الحلول، ارتفعت نسبة النجاح من 55.4% إلى 72.0%، وكانت جميع التكوينات تُظهر تحسنًا ملحوظًا. الغالبية العظمى من الفشل المتبقي يعود إلى قيود التفكير أو البيئة بدلاً من نقص الأدوات. أُجريت دراسة فرعية على الاستقرار، حيث أظهرت الأحكام القابلة للتكرار في العديد من الحالات.

تشير النتائج إلى ضرورة إعادة تقييم كيفية تقييم مثل هذه المشغلات، مع توفير قيود محددة للدراسة، مثل استخدام معيار واحد فقط، مما يستدعي مزيدًا من البحث لعموميتها مع نماذج أخرى.

وفي ختام هذا التحليل، يتساءل الكثيرون: كيف ستؤثر هذه التطورات على مستقبل الأمن السيبراني؟ شاركونا آرائكم في التعليقات.