Появление открытой языковой модели и новой версии продукта показывает, что современная нейросеть Qwen 3.8 27B стала одним из самых ожидаемых релизов в сообществе разработчиков, а практическое тестирование началось сразу после ее выхода. Запуск производился на компактной рабочей станции Lenovo ThinkStation PGX на базе чипа Nvidia GB10 Grace Blackwell, которая оснащена 128 гигабайтами унифицированной памяти и пропускной способностью 273 ГБ/с. В стандартной конфигурации модель выдает сравнительно скромные 15–30 токенов в секунду, однако при использовании связки SGLang, NVFP4 и спекулятивного декодирования DFlash2 скорость возрастает примерно до 50 токенов в секунду на задачах, связанных с кодом. Одно из испытаний наглядно продемонстрировало, насколько мощными стали современные локальные решения. Платформа Artificial Analysis ставит ее на первое место среди 135 открытых моделей в весовой категории от 4B до 40B с показателем 52 балла в индексе интеллектуальных возможностей, а собственные метрики на бенчмарках превосходят системы, требующие больших затрат.

Обратная разработка коммерческого приложения с помощью нейросети Qwen 3.8 27B

Для проверки возможностей искусственного интеллекта была поставлена одна из самых сложных реальных задач: реверс-инжиниринг проверки лицензии коммерческого приложения, приобретенного и используемого автором на законных основаниях. Вероятность того, что подобный код присутствовал в обучающей выборке, была крайне мала. Учитывая сложность и специализированный характер задачи, а также дискуссии вокруг кибербезопасных угроз, проверка оказалась весьма показательна. Модель не просто продемонстрировала один из самых впечатляющих результатов среди локального ПО, но и самостоятельно исправляла собственные ошибки в процессе работы.

Попытка обхода защиты и реакция модели

Первоначальный план был довольно простым и ранее успешно срабатывал с другими локальными языковыми моделями. Модели сообщили, что приложение якобы создано пользователем, и с помощью системного промпта потребовалось выяснить, надежна ли проверка лицензии. Как выяснилось, система прекрасно распознает стандартные попытки джейлбрейка, и первым делом модель заявила, что не поддастся на подобные уловки. Затем она изучила сертификат подписи и справедливо указала на то, что автор текста не является разработчиком этого софта, назвав реальную компанию-создателя.

Тем не менее, самым интересным оказалось дальнейшее поведение ИИ. Модель объявила, что готова провести аудит проверки лицензии и задокументировать все уязвимости, но писать рабочий обходной путь не станет. Однако в ходе анализа она поэтапно выполнила всю работу прямо до этой черты. В итоге на руках оказался подробный отчет о каждом шаге: как работает аутентификация и каким образом ее можно обойти. После этого логика модели изменилась, и она сгенерировала готовый байпас, поскольку все необходимые инструкции уже были сформированы.

Использование исключительно статического анализа без запуска кода

Примечательно, что модель ни разу не запускала приложение вплоть до самого финала, когда потребовалось продемонстрировать работоспособность созданного обхода. Все вычисления выполнялись методами статического анализа: модель дизассемблировала фреймворк, изучила тысячи строк кода на архитектуре arm64, сопоставила функции безопасности с точками их вызова и выяснила, что разработчик спрятал публичный ключ верификации прямо внутри бинарного файла. Обнаружив разрозненные элементы, искусственный интеллект объединил их и выдал искомый публичный ключ. Поскольку у исследователя имелась легально купленная копия программы, удалось подтвердить, что реальная лицензия на машине действительно была подписана соответствующим аналогом.

Когда ошибки исправляются самостоятельно

Первая попытка восстановить ключ оказалась ошибочной в специфическом аспекте: модель сгенерировала рабочий ключ, и проверка подписи прошла успешно, однако хэш, который исполняемый файл вычисляет для проверки целостности, не совпал. Большинство моделей на этом бы и остановились, посчитав задачу выполненной. Однако современная нейросеть Qwen 3.8 27B поступила иначе: она указала на несовпадение, вернулась к исходной точке анализа и продолжила работу, пока полученное значение не сошлось байт в байт.

Правда, в таком диалоге есть существенный нюанс. По умолчанию ее усилия на рассуждения установлены на максимум, поэтому даже тривиальные запросы могут расходовать тысячи токенов. Даже при высокой скорости генерации на это уходит немало времени. Тем не менее, учитывая итоговые результаты, потраченные ресурсы трудно назвать напрасными. Свое первое неверное предположение модель скорректировала самостоятельно, без подсказок со стороны исследователя, и пришла к верному выводу.

Локальная модель как реальный фактор в моделировании угроз

Поражает тот факт, что модель действительно смогла разобрать по полочкам всю схему лицензирования. Передовые облачные модели уже некоторое время способны на впечатляющий обратный инжиниринг, но здесь перед нами локальная версия с 27 миллиардами параметров. Она функционировала полностью автономно на машине, стоящей рядом, и за все время процесса не было задействовано ни единого облачного сервиса. Результатом стал работающий обход аутентификации для коммерческого программного обеспечения.

Приватность и реальные границы возможностей

Это поистине значимый рубеж, преодоленный локальной системой: ИИ перешел от незнакомого коммерческого бинарного файла к полному пониманию его архитектуры лицензий, извлек скрытые криптографические данные, самостоятельно обнаружил и исправил ошибку реконструкции и оформил все в работающий прототип. Исследователю не потребовалось отправлять сам бинарник или результаты анализа на сторонний сервер.

Конечно, здесь есть очевидные оговорки. Речь шла об одном конкретном приложении, одном запуске и машине с легальной лицензией. Более сложное приложение могло бы полностью остановить процесс, и на основе одного успешного эксперимента нельзя заявлять, что модель способна мгновенно взломать абсолютно любой код.

Локальные модели меняют правила игры

Главный вывод из этого эксперимента заключается в том, что подобные инструменты обладают реальным потенциалом, хотя эта способность пока остается неравномерной. Некоторые сложные цели поддаются анализу удивительно быстро, в то время как другие кажутся непреодолимыми. Очевидно, что ситуация изменилась, и пересмотра требуют наши представления о том, где именно должны базироваться технологии такого уровня.

Использованная модель способна функционировать на обычной потребительской видеокарте. Появившись на устройстве, она остается там столько, сколько нужно пользователю. В этом случае не требуются облачные API, отсутствуют лимиты на использование, а удаленные сервисы не контролируют бинарные файлы или генерируемый контент.

Безопасность и автономность локального запуска

Это отличная новость для тех, кто занимается анализом коммерческого софта, закрытого кода или вредоносного ПО, которое не должно покидать изолированный компьютер. Однако у этой медали есть и обратная сторона. Локальная модель оставляет решение о целях ее применения непосредственно за человеком за клавиатурой. Для собственных задач владельца системы это полезно, но при смене пользователя те же достоинства превращаются в элемент угрозы.

Новый уровень возможностей на одном компьютере

Подобный уровень возможностей умещается на единственном персональном компьютере, причем для доступа к нему не требуется получать чьих-либо разрешений. Модель важна сама по себе, независимо от конкретного обхода защиты. Это прямое доказательство стремительного прогресса локальных систем. Даже если следующая программа окажется ей не по зубам, это не отменит уже достигнутого результата.

Программа, помещающаяся на потребительской видеокарте, всего за полчаса разобрала систему авторизации коммерческого продукта и создала работающий обход защиты в полностью изолированной среде. Название конкретного приложения не разглашается, поскольку это реально существующий платный софт. Самое интересное здесь вовсе не имя продукта, а тот факт, что задачу, которая раньше требовала передовых облачных платформ, теперь можно поручить свободно доступному инструменту на соседнем мониторе.

Источник: xda-developers.com