Claude Opus 4.6：LLM 發現的零日漏洞

Claude Opus 4.6 可大規模識別高嚴重性漏洞

Anthropic 宣布，Claude Opus 4.6 具備在經過充分測試的開源程式碼庫中發現高嚴重性零日漏洞的能力，經常找出數十年來都未被發現的錯誤。與依賴隨機輸入的傳統模糊測試工具不同，Opus 4.6 採用類似人類的推理方式分析程式碼，識別模式並理解邏輯，無需特定任務的工具或自訂架構即可發現漏洞。

漏洞發現的方法論

為了測試模型的「開箱即用」能力，Anthropic 將 Claude 放置於配備標準工具（如 Python 和 coreutils）以及除錯器和模糊測試工具等漏洞分析工具的模擬虛擬機中。模型並未獲得針對這些工具的特殊指示或自訂測試環境。

為防止報告虛假漏洞，Anthropic 實施了嚴格的驗證流程：

• 專注於記憶體損壞： 團隊優先處理記憶體損壞漏洞，因為它們可透過程式崩潰和地址偵錯工具輕鬆驗證。
• 模型主導的優化： 使用 Claude 來評估、去重並重新排序崩潰事件。
• 人工驗證： 初步發現由 Anthropic 的安全研究人員手動驗證並修補，隨著發現數量增加，也引入外部研究人員協助。

Anthropic 已驗證超過 500 個開源軟體中的高嚴重性漏洞，目前正與維護者合作報告並修補這些問題。

LLM 驅動發現的案例研究

Claude Opus 4.6 在三個具體情境中展現出超越傳統工具的獨特優勢：

GhostScript：透過 Git 歷史進行推理

在初步模糊測試與人工分析失敗後，Claude 分析了 Git 提交歷史。它識別出一項與「MM 混合值的堆疊範圍檢查」相關的安全性提交，並推論：若某處已修補，其他未修補的程式碼路徑也可能存在類似漏洞。這促使 Claude 在 gdevpsfx.c 中發現遺漏的範圍檢查，並構建出概念驗證的崩潰範例。

OpenSC：識別不安全的函式模式

Claude 在程式庫中搜尋常與漏洞相關的函式，特別是 strrchr 和 strcat。它識別出 OpenSC 中一連串 strcat 操作，其中輸出緩衝區長度未正確驗證，導致緩衝區溢位。Anthropic 指出，傳統模糊測試工具因需特定前置條件，很少觸及這段程式碼，而 Claude 則能推理出哪些程式碼片段最具潛在風險。

CGIF：對演算法的抽象理解

Claude 透過識別出一個假設錯誤——壓縮資料的大小永遠小於原始資料——發現了 CGIF 庫中的緩衝區溢位漏洞。這需要對 LZW 壓縮演算法及其如何處理符號表重設有概念性理解。由於此漏洞需特定操作序列才會觸發，即使傳統模糊測試工具達到 100% 的程式碼與分支覆蓋率，仍可能無法發現。

資安防護與濫用偵測

為管理這些能力的雙重用途風險，Anthropic 將引入新的偵測層，使用「探針」來監測模型在生成回應時的內部激活狀態。這些專為網路安全設計的探針，使 Safeguards 團隊能大規模偵測潛在濫用行為。

執行措施包括：

• 更新工作流程： 將基於探針的偵測整合至網路安全執法流程中。
• 擴展應對措施： 實施即時干預，包括可能阻斷被識別為惡意的流量。

對安全產業的影響

Anthropic 建議，LLM 以遠超人類研究員的速度與規模發現新漏洞的能力，將促使產業規範的演進。特別是，傳統的 90 天披露窗口可能因 LLM 發現漏洞的數量與速度而難以持續。