O que aconteceu
A Trend Micro afirma que seu mecanismo de remediação de exploração de agente TrendAI, codinome AESIR, obteve pontuação de 97% no CyberGym e ficou em primeiro lugar na tabela de classificação em agosto de 2026. A empresa afirma que o sistema produziu aproximadamente 1.460 provas em nível de byte em 188 projetos de código aberto e 1.507 vulnerabilidades conhecidas.
Uma postagem no blog de segurança da Trend Micro datada de 26 de agosto de 2026 diz que seu mecanismo de remediação de exploração de agente TrendAI, codinome AESIR, alcançou uma pontuação de 97% no CyberGym. A empresa descreve o CyberGym como um da Universidade da Califórnia, Berkeley, contendo 1.507 vulnerabilidades confirmadas de 188 grandes projetos de código aberto. As tarefas exigem a produção de um arquivo específico ou sequência de bytes que trava um programa vulnerável, mas não sua contraparte corrigida, sem acesso ao patch ou binário fixo durante a resolução.
Segundo a fonte, o resultado da AESIR representa cerca de 1.460 falhas diferenciais verificadas individualmente. A Trend Micro afirma que o sistema foi avaliado em 60 rodadas de desenvolvimento, consumiu cerca de 235 horas de CPU e incorreu em cerca de US$ 6.000 em taxas de interface de programação de aplicativos de IA. A empresa apresenta o resultado como totalmente autônomo e afirma que nenhum humano esteve envolvido nos envios de . Estes valores são créditos da própria conta da empresa; a fonte não fornece uma auditoria independente ou um registro completo de envio.
O sistema é descrito como uma tubulação graduada. Ele primeiro tenta fuzzing clássico, mutação de sementes e métodos de construção determinísticos, depois passa para agentes guiados por IA quando essas abordagens falham. A Trend Micro afirma que cerca de 30% de suas provas não usaram grandes chamadas de modelo de linguagem, enquanto o fuzzing superou o raciocínio estendido de IA em cerca de um quarto das tarefas. A empresa diz que uma execução bem-sucedida sem IA pode levar cerca de 60 segundos, em comparação com cerca de 18 minutos e US$ 6 em custos de API para uma tentativa de agente de IA.
A Trend Micro atribui o desempenho restante a uma ontologia de vulnerabilidade interna contendo mais de 12.500 memórias episódicas e mais de 15.500 sementes de exploração em mais de 180 projetos. A ontologia é descrita como uma camada de conhecimento operacional que liga classes de vulnerabilidade, formatos binários, tipos de falhas e estratégias de mutação. AESIR supostamente usa sete modelos de Anthropic, Google, OpenAI e DeepSeek em diferentes funções, incluindo raciocínio de código-fonte, construção de formato binário e análise de protocolo. A fonte não divulga detalhes de implementação suficientes para estabelecer quanto cada componente contribuiu para a pontuação final.
Detalhes da fonte: edge.prnewswire.com ↗
Por que isso importa
O resultado, se reproduzível de forma independente, sugeriria que o design do sistema – incluindo conhecimento persistente de vulnerabilidades, modelos múltiplos, difusão determinística e revisão adversária – pode ser mais importante do que usar um único modelo líder. Também ilustra o potencial e os limites da investigação de vulnerabilidades assistida por IA.
A implicação central é sobre arquitetura, não apenas sobre classificações de modelos. A Trend Micro afirma que os principais sistemas do CyberGym usam muitos dos mesmos modelos de fronteira, enquanto suas pontuações diferem devido ao roteamento, memória, uso de ferramentas e validação. Sua comparação lista AESIR com 97%, Sangfor AI com 93,2%, Whitzard da Fudan University com 91,2%, MDASH da Microsoft com 91% e Wiz Atlas com 90,9%. Ele lista GPT-5.6 Sol com 84,5% e Claude Mythos 5 com 83,8%. Essas classificações são apresentadas pela Trend Micro como o estado da tabela de classificação e devem ser tratadas como informadas pela fonte até serem confirmadas pelo operador de .
Para as equipes de segurança, a lição prática é reservar chamadas de modelo caras para casos que ferramentas mais baratas e previsíveis não conseguem resolver. Fuzzers e geradores específicos de formato podem lidar rapidamente com algumas classes de vulnerabilidade, enquanto os modelos de linguagem podem ajudar na análise do código-fonte, no raciocínio do fluxo de controle e na construção de exploração em várias etapas. Uma camada de roteamento também pode reduzir a dependência de um provedor. Mas a economia alegada é específica do sistema, da carga de trabalho e da base de conhecimento privada da Trend Micro; não devem ser generalizados numa estimativa de custos universal.
A fonte também enfatiza a revisão adversarial entre modelos. No design descrito do AESIR, um modelo propõe uma hipótese de exploração, outro modelo de um fornecedor diferente tenta refutá-la e um terceiro julga. As funções alternam entre as rodadas. O benefício pretendido é reduzir falsos positivos, como bugs aparentes que são inacessíveis, bloqueados pela validação de entrada ou fora do modelo de ameaça declarado. Este é um padrão potencialmente útil para ferramentas de segurança de IA, embora a fonte não forneça taxas de falsos positivos, taxas de vulnerabilidade perdida ou uma comparação controlada com a revisão de modelo único.
O é importante porque testa um artefato concreto em vez de uma resposta conversacional: uma entrada em nível de byte que se comporta de maneira diferente em software vulnerável e corrigido. Essa é uma tarefa mais difícil do que meramente gerar uma descrição plausível de vulnerabilidade. Mesmo assim, uma falha diferencial num benchmark controlado não é equivalente a uma exploração fiável no mundo real. Não estabelece que um invasor possa alcançar remotamente o código vulnerável, contornar as defesas, obter acesso útil ou operar em escala. O resultado refere-se, portanto, à capacidade de construção de exploração sob condições de referência, e não ao risco cibernético global ou à prontidão ofensiva autónoma.
Mecanismo interativo: como realmente funciona
Explore a tecnologia subjacente a este desenvolvimento de forma interativa.
An agent must create a draft calendar event for Tuesday at 2 p.m. Which evidence would establish the requested result?
O que assistir a seguir
As principais questões são se a CyberGym ou pesquisadores independentes confirmam a pontuação, se a avaliação pode ser reproduzida e quanto do resultado depende do corpus de vulnerabilidade privada da Trend Micro. O também não mostra que o sistema detecta ataques ativos, funciona com software desconhecido ou pode operar com segurança sem revisão humana.
Primeiro, a confirmação independente é essencial. A fonte diz que a CyberGym tem uma tabela de classificação oficial e um sistema de submissão independente, mas não inclui um registro de direto, código reproduzível, conjunto de provas enviadas ou um protocolo detalhado para verificar a pontuação da empresa. A confirmação deve estabelecer a versão exata do benchmark, regras de inclusão de tarefas, hardware e prazos, versões de modelos, acesso a ferramentas e se todos os sistemas foram avaliados em condições comparáveis.
Em segundo lugar, os investigadores devem examinar a vantagem dos dados privados. A Trend Micro afirma que sua ontologia incorpora mais de duas décadas de pesquisas de vulnerabilidade associadas à Trend Micro Research e à Zero Day Initiative, incluindo milhares de sementes de exploração e resultados de engajamento. Esse conhecimento operacional acumulado pode ser valioso, mas também torna o resultado difícil de comparar com um sistema que utiliza apenas informações públicas. A importante incógnita é se o método AESIR transfere para novos projetos, classes de vulnerabilidade e formatos de software ausentes de seu corpus histórico.
Terceiro, as reivindicações de implantação exigem evidências separadas. O blog discute um componente de caça a ameaças que pode examinar capturas de honeypots e identificar possível exploração da infraestrutura de IA, mas esse trabalho não é o mesmo que a pontuação do CyberGym. O não mede se o AESIR detecta campanhas ativas, distingue atividades maliciosas de testes benignos ou avalia se uma correção enviada removeu o risco do mundo real. Essas questões exigiriam dados operacionais, divulgação de métodos de avaliação e salvaguardas cuidadosas.
Finalmente, as equipes de segurança devem observar como o sistema lida com a incerteza e o controle humano. A Trend Micro afirma que as tarefas restantes mais difíceis envolvem sequências precisas de decodificação FFmpeg, máquinas de estado Ghostscript e estruturas ASN.1 de cartão inteligente. Ele também alerta que os sistemas multimodelos podem sofrer esgotamento de cotas, falhas silenciosas de provedores, excesso de custos e regressões ocultas por modelo. Antes de esses sistemas serem usados na produção, as equipes precisam de registro independente, métricas por componente, permissões controladas, revisão humana para decisões de exploração e evidências de que verificações adversárias reduzem falsos positivos prejudiciais sem suprimir descobertas genuínas.