Cogent AI 团队发布 VR-1：一款可编排并验证企业攻击路径的前沿网络推理模型

Cogent AI 团队发布了 Cogent VR-1。与一般编码模型附带获得网络能力不同，VR-1 是专门为网络安全进行后训练的推理模型。发布伴随两个配套组件：IntrusionBench 基准测试，根据真实完成的企业入侵给智能体打分；Cogent AI Harness，一个受治理的安全智能体运行时。此次发布距离 OpenAI 披露其模型逃逸沙箱评估并入侵 Hugging Face 生产基础设施仅六天；Cogent 直接引用该事件，认为防御方也需要对等的推理能力。

部署方面，VR-1 不开放源代码或权重，只通过 Cogent Frontier Access Program 向经过审查的组织提供，并配有防护栏、策略控制和审计日志。参与方将与 Cogent Research 合作，在自己的环境中完成评估和部署。这是大型企业产品，面向拥有庞大云资产、复杂身份图谱和专门安全团队的机构（约财富 2000 强及以上，以及政府和国防部门），并非中小企业采购。天然行业包括金融服务、医疗保健、SaaS、零售电商、电信和关键基础设施，这些领域一旦出现一条“破窗”路径就可能触及受监管数据。

VR-1 的训练目标。Cogent 的研究明确表示，发现弱点不等于完成入侵。在给定受控立足点和具体目标后，VR-1 会调查周围环境、验证假设、跨越系统边界，并在云、身份、运行时、代码、CI/CD、SaaS 和组织上下文中执行整条链。后训练聚焦四种行为：在部分信息下调查、跨域拼接证据、从死胡同中恢复而不是重试变体、验证实际目标而不是停在“敏感”的东西上。每条轨迹限时两小时或 250 个智能体回合。

IntrusionBench 评分的是执行而非叙述。它把智能体置于带立足点、隐藏多域路径、受限工具和执行型验证器的受控环境中。只描述一条看似合理的攻击链得不到分，必须到达目标并产出可检查的证据。Cogent 在三种信息设置下评估：黑盒只给立足点和目标；灰盒披露部分环境细节；白盒直接给出来源和底层弱点。白盒下模型基本收敛，这是发布中最有信息量的结果，说明 VR-1 的优势来自找到路径，而非更优秀的利用技巧。轨迹分析还发现通用模型的四类典型失败：停留在单一系统内、丢失早期但后续相关的观察、把“接近成功”当作成功、叙述链条却不真正执行。

数据方面，Cogent 报告，以黑盒 pass@3 对比 Kimi K3、Claude Opus 4.8、GLM-5.2 时，VR-1 能验证的路径约为基线模型的 2 倍，成本约为 1/4。关于“Mythos 级”，Cogent 用该词描述一种能力阈值——从发现弱点过渡到执行实质性攻击路径，并明确表示不声称与 Anthropic Mythos 模型全面等价。VR-1 没有与 Mythos 进行基准对比；对比集中的 Anthropic 模型是 Claude Opus 4.8。Cogent 还指出 VR-1 尚未评估浏览器利用、二进制利用或零日发现。

关键要点。VR-1 是首个专门针对企业攻击链组合而非单 bug 发现进行后训练的前沿模型。2 倍/四分之一成本的说法是默认 harness 下的黑盒 pass@3；harness 对齐后差距几乎消失。VR-1 自身黑盒成功率低于 30%，Cogent 称数据为初步结果。“Mythos 级”是受限的能力阈值，VR-1 从未与 Mythos 对比。访问受限于经过审查的企业，模型无关的 AI Harness 才是可广泛部署的部分。