GPT-5.5登顶利用成功率榜首，DeepSeek V4 Pro拿下性价比冠军！大模型网络安全攻防实测结果公布

大语言模型（LLM）的能力边界到底在哪里？网络安全场景，正在成为检验它们真实推理水平和复杂逻辑能力的“高压考场”。近日，安全研究员 Kasra Rahjerdi 公布了一份引发业内热议的测试报告。他通过搭建一个故意保留关键漏洞的图书评论 APK，对全球主流大语言模型发起了一场贴近实战的模拟黑客攻击测试，直观展示了不同模型在安全推理和漏洞利用方面的真实表现。

在这场单次预算10美元、限时2小时的网络攻防测试里，研究员刻意在应用安装包（APK）中暴露了谷歌移动端后端服务 Firebase 的凭据。模型需要像专业白帽黑客那样，先完成应用解包并准确发现这组凭据，接着绕过已加固的应用程序编程接口(API)，直接实现对底层数据库的越权访问。整轮测试总花费达到1500美元，多款头部模型的表现也出现了明显的两极分化。

在最关键的“破局率”指标上，尚未正式发布的 GPT-5.5表现出了非常强的安全推理实力。在10次独立测试中，GPT-5.5一共完成7次成功利用，解题成功率达到70%，排在全场首位。评测显示，GPT-5.5在解包 APK 之后，能够迅速锁定 Firebase 这个关键突破点，几乎不会被复杂的应用界面或常规 API 干扰。不过，出色的表现背后也对应着较高成本，其单次成功利用的平均费用达9.46美元，已经非常接近预算上限。

相比之下，国产模型 DeepSeek V4 Pro 则凭借突出的成本优势赢得了不少关注。虽然它在10次测试中只成功了3次，但单次成功的平均 Tokens 成本仅为0.62美元，大约只有 GPT-5.5的十五分之一。在失败的几轮里，DeepSeek V4 Pro 也有5次顺利触达到 Firebase 这个核心点，只是在后续利用凭据访问后端接口时，路线配置上出现了偶发失误。研究员指出，对于需要大规模、高频率开展网络安全自动化审计的工程团队来说，DeepSeek 展现出的低成本优势具有很高的实际应用意义。

有的模型表现亮眼，也有模型因为“太谨慎”而失分。在中间梯队中，Claude Sonnet 4.6和 Claude Opus 4.8各自取得了2次成功。其中能力很强的 Opus 多次逼近最终答案，但由于自身安全护栏过于严格，频繁触发中断，影响了最终结果。至于谷歌的 Gemini 3.1 Pro Preview，则几乎走向了另一个方向，往往在测试开局阶段就触发安全机制并拒绝继续执行，Tokens 消耗中位数只有约9000，明显低于其他模型动辄10万以上的消耗，最终遗憾未能取得成功。

这场网络安全攻防测试，不只是对大模型底层逻辑推理能力的一次高强度检验，也在一定程度上预示了自动化网络安全审计未来的发展方向。随着大模型持续深入垂直领域，未来的安全防护和漏洞挖掘，或许会逐步演变成一场比拼算力与模型策略的“数字兵团”对抗。