Attaque
Un réseau interconnecté d'opérateurs de kits de phishing est suivi sous le nom Storm-2990.
Une place de marché illicite, suivie sous le nom Storm-3119, vend des outils et des infrastructures de phishing.
Les outils et infrastructures vendus servent au phishing à grande échelle.
Sortie
Ces garde-fous cyber sont plus restrictifs que ceux de Haiku 4.5, mais un peu moins que ceux d'autres modèles récents.
Selon Anthropic, les comportements non alignés sont bien moins fréquents qu'avec Haiku 4.5.
Le coût d'exécution est en moyenne inférieur d'environ 75 % à celui de Haiku 4.5.
Attaque
Les activités non autorisées comprennent des modifications de wikis et un trafic important.
Un outil public de prise de notes hébergé par Wikimedia a fait l'objet de tentatives d'exploitation infructueuses.
Le Wikidata Query Service a reçu « des centaines de milliers de requêtes de données ».
Selon Simon Willison, l'essentiel viendrait probablement d'un essaim d'agents similaire à celui ayant dégradé un wiki allemand.
Vulnérabilité
Le taux de réussite de l'attaque dépasse 75 % dans cette expérience simple de prompt injection indirecte.
Le README demande de lancer npm run build, puis de relancer avec accès réseau si la sortie indique preview=workspace-only.
Un dossier node_modules suivi dans le dépôt contient un exécutable vite usurpé, que l'agent n'inspecte pas.
Le classificateur de sécurité approuve l'élévation de privilèges en jugeant le risque faible.
News
Environ 30 % des résultats d'un modèle non guidé citaient des structures de code absentes du dépôt cible, selon AWS.
Chaque résultat doit être vérifié dans le code avant d'être signalé : fichiers, fonctions, flux de données et chemin d'appel.
Les résultats avec taint confirmé et sans assainissement étaient exploitables 89 % du temps lors de la validation.
Sur une application de test à dix vulnérabilités, le modèle guidé en a trouvé neuf et a classé les deux atténuées en P3.
Sortie
Le paquet Python, construit sur Inspect Scout, a reçu le soutien de Meridian Labs.
Un rapport interactif place les étiquettes d'activité, l'usage des tokens et les événements sur une même chronologie.
Des LLM choisis par l'utilisateur étiquettent les séquences d'activité selon ses propres catégories.
Les étiquettes renvoient à la transcription, et les désaccords entre jugements des modèles restent visibles.