一句话看懂：英美两家AI安全机构联合发布评测，显示月之暗面Kimi K3在漏洞利用和网络攻击模拟两项测试中，得分仅为美国前沿模型的40%左右，但依然领先国内同行智谱GLM-5.2。评测结果与近期“用Anthropic Fable模型输出蒸馏训练K3”的指控形成交叉印证，引发对开源模型安全能力真实水平的讨论。
事件核心：发生了什么
英国人工智能安全研究所（UK AISI）与美国AI标准与创新中心（CAISI）对多个大模型进行了两项安全测试。第一项是卡内基梅隆大学开发的ExploitBench基准，测试模型利用Chrome V8引擎真实漏洞的能力。结果显示，美国前沿模型平均得分76.2%，Kimi K3为32.2%，智谱GLM-5.2为24.4%。在41个任务中，Kimi K3无一达到最高危险等级“任意代码执行”（ACE），而美国模型在20个任务中实现了ACE。第二项测试“最后幸存者”（TLO）模拟企业级网络攻击，路径涉及4个子网、约20台主机。Kimi K3平均卡在第17步，美国前沿模型平均推进到第28.5步，GLM-5.2仅到第11步。该评测还披露，测试美国闭源模型时关闭了系统级安全防护以测量其最大能力，而这些防护在公开版本中默认开启。
为什么重要
评测不仅揭示了中美国前沿模型在网络攻防能力上的实际差距——根据CAISI自2025年初追踪的Elo评分体系，两者之间存在约400分的差距（对应任务完成概率相差十倍），还直接关联到近期重大指控。美国科学顾问Michael Krazios公开指明月之暗面使用Anthropic Fable模型最优输出作为训练数据蒸馏Kimi K3，并获取了美国限制出口的NVIDIA GB300芯片。评测结果与这一解释高度吻合：Kimi K3在通用基准测试中表现优异（暗示蒸馏了大量Claude输出），但网络安全专项测试得分极低（因为Anthropic的安全分类器会过滤掉高级网络攻击相关查询，蒸馏数据集里这类样本占比极小）。AISI的测试方式——关闭美国模型的系统级保护——恰好揭示了那些几乎不可能被蒸馏到的深层漏洞利用能力。
对用户/开发者/创作者的影响
对于开发者而言，此事件提示：当依赖开源或闭源模型处理敏感任务（如代码审计、漏洞分析、自动化渗透测试）时，不同模型的真实能力差异可能远大于通用基准分数所反映的。企业在采购AI安全产品或进行内部安全工具选型时，不能仅看MMLU、GSM8K等通用指标，需要专项评估模型的对抗能力和攻击面。对于使用Kimi K3进行网络相关开发的团队，需要明确模型在实际攻防场景中可能远弱于闭源前沿方案，尤其是在需要自主推进复杂攻击链的场景下。对于普通用户，Kimi K3在日常对话、写作辅助等场景的实际体验可能不会受到显著影响，因为漏洞利用能力不属于通用场景需求。
AI 工具推荐
想把多个 AI 模型放在一个入口？
GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。
推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。
值得关注的后续
第一，月之暗面是否会回应Krazios的蒸馏指控以及安全评测结果？目前公司尚未公开置评。第二，该评测结果是否会影响Kimi K3的商用部署节奏，尤其是在海外市场？AISI明确警告，开源模型网络能力的增长构成了“持续且不可逆的滥用风险”，这可能影响监管机构的审批态度。第三，中国其他大模型厂商（如智谱、百度、阿里等）是否会跟进发布自己模型在类似测试中的表现？目前公开信息显示，国内模型在网络安全专项测试中的数据非常有限，行业急需建立统一的评估标准。
来源：AIbase
