O blog de Simon Willison publicou, em 29 de setembro de 2026, um trecho da avaliação do Anthropic Frontier Red Team sobre a propagação de capacidades cibernéticas avançadas entre modelos de linguagem. O dado que resume o recado é direto.
Em 100 tarefas sorteadas de um benchmark interno de exploração binária, o GLM-5.3 produziu sequestros completos de fluxo de controle em 4% das tentativas. O Claude Mythos Preview fez o mesmo em 6%.
Um limiar que deixou de ser zero
A comparação entre modelos é o ponto central da nota. O GLM-5.3 fica abaixo do Claude Mythos Preview no recorte medido.
A Anthropic Frontier Red Team afirma que um limiar relevante foi cruzado.
A justificativa está no desempenho dos modelos anteriores. Nem Claude Opus 4.6 nem GLM-5.2 conseguiram qualquer sucesso nas mesmas tarefas.
A linha de base era zero e passou a ser um resultado mensurável, ainda que pequeno. A avaliação cobriu vários modelos, sempre sobre o mesmo conjunto de 100 tarefas escolhidas aleatoriamente dentro do benchmark interno de exploração binária da organização.
O que é um sequestro de fluxo de controle
Na prática, o sequestro de fluxo de controle descreve a capacidade de desviar a execução de um programa para um caminho escolhido pelo atacante. É o passo decisivo para transformar uma falha de memória em código rodando sob controle de terceiros.
É esse tipo de habilidade que separa uma resposta plausível de um exploit funcional.
O benchmark citado é interno, ou seja, não se trata de um conjunto público de exercícios. A medição foi feita com tarefas próprias.
Isso dá aos números um caráter de sinal interno de capacidade, e não de ranking comparável entre laboratórios.
Por que isso importa
O título da publicação da Anthropic não fala em benchmark, e sim em disseminação: 'GLM-5.3 and the spread of advanced cyber capabilities'. A escolha do termo desloca a discussão de desempenho para proliferação.
Quando um modelo de uma família diferente alcança resultados que antes eram exclusivos de outro sistema, a capacidade deixa de ser um diferencial isolado e passa a circular.
Para times de segurança defensiva, isso significa que vetores automatizados de descoberta de falhas tendem a ficar mais acessíveis. Para quem acompanha governança de IA, reforça o argumento de que avaliações de risco precisam olhar para o ecossistema inteiro, não apenas para o modelo mais avançado da vez.
O contexto de um ano intenso
A publicação de Willison aparece em meio a uma cobertura densa. No mesmo dia, o blog registrou um post ao vivo sobre o OpenAI DevDay 2026.
Dois dias antes, havia publicado um panorama chamado 2026 in LLMs (so far). Na semana anterior, tratou de uma nova guerra de preços envolvendo modelos como Claude Opus 5.5, GPT-6 Sol e GPT-6 Luna.
O conjunto sugere que a competição por capacidade bruta e por custo caminha lado a lado com a preocupação sobre o que acontece quando essas capacidades escapam do laboratório que as mediu. O texto original também é marcado por tags como 'ai-security-research', 'LLMs' e 'ai-in-china', sinalizando que a leitura do caso passa tanto por segurança quanto pela geografia da IA.
Leitura dos números
É importante dosar a euforia e o alarmismo. Quatro por cento e seis por cento são, em qualquer leitura, resultados minoritários.
A maior parte das tentativas não terminou em sequestro completo de fluxo de controle.
Todo o exercício depende de um benchmark interno, avaliado por uma equipe de red team com interesse direto no tema, sobre tarefas de exploração binária. É um domínio específico, não uma medida geral de perigo.
Ainda assim, a trajetória importa. Quando a taxa de sucesso sai do zero e aparece em dois sistemas distintos, o fenômeno deixa de ser anomalia e passa a ser tendência a ser monitorada.
O que observar daqui para frente
O caminho natural é acompanhar se a linha se mantém nas próximas gerações de modelos. Também importa saber se outros laboratórios reproduzem taxas semelhantes em avaliações independentes e se os benchmarks internos ganham versões públicas que permitam comparação.
Sem isso, os números continuam sendo um retrato pontual, divulgado por quem tem os instrumentos de medição. A contribuição do registro feito por Simon Willison é preservar o trecho exato e apontar para a fonte primária, deixando que o leitor acompanhe a evolução do dado ao longo do tempo.
Fontes e links
- Simon Willison's Weblog — matéria original com a citação coletada em 29 de setembro de 2026.
- GLM-5.3 and the spread of advanced cyber capabilities, publicação oficial do Anthropic Frontier Red Team.
- 2026 in LLMs (so far), panorama relacionado do mesmo autor.
