安全研究员 kasra rahjerdi 最近公布了一份备受关注的研究报告。他设计并部署了一个刻意植入安全缺陷的图书评论系统，以此为测试环境，对当前多款主流大语言模型在真实漏洞场景下的安全推理能力展开实战评估。在该模拟攻击链中，研究员将谷歌移动后端服务的访问密钥直接嵌入应用代码文件内，模型需自主完成解包操作，并精准识别出该敏感凭据，进而实现对底层数据库的直连访问。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜
顶级模型的硬核较量
所有测试均在严格约束下进行：单次任务限时 2 小时，预算上限为 10 美元。在此高压条件下，各模型展现出明显的能力分层。GPT-5.5 表现最为抢眼，在共计 10 轮独立运行中成功完成任务达 7 次，解题率稳居首位。报告特别指出，GPT-5.5 在完成解包后几乎能立即定位到关键凭据，其判断过程未受繁复 UI 结构或标准 API 接口的任何干扰。
与此形成强烈反差的是 Gemini 系列模型的表现。Gemini 3.1 Pro Preview 在绝大多数测试中，尚未进入实质分析阶段便触发了内置的安全拦截策略，导致其实际 Token 消耗量远低于其他参测模型，基本无法推进至凭据识别环节。
使用AIsa生成图像与视频。仅需一个API密钥即可调用Gemini 3 Pro Image（图像）和Qwen Wan 2.6（视频）。
效率与成本的深度权衡
尽管 GPT-5.5 的成功率遥遥领先，但其单次成功所耗费的成本高达 9.46 美元，对需高频调用、规模化部署自动化安全工具的团队而言，经济压力显著。相比之下，DeepSeek V4 Pro 凭借突出的成本控制能力成为另一焦点——它在 10 次测试中达成 3 次成功，而每次成功的平均开销仅为 0.62 美元。
换言之，若以“单次有效突破”为计量单位，DeepSeek V4 Pro 的投入成本约为 GPT-5.5 的 1/15。虽然部分失败案例中，该模型曾错误地将身份验证接口误判为后端服务入口，但如此悬殊的成本优势，使其在面向大规模安全审计、持续性漏洞扫描等工程化落地场景中，具备不可忽视的实用潜力。
