دیپمیند (DeepMind) متعلق به گوگل با معرفی مدل هوش مصنوعی تخصصی Gemini 3.5 Flash Cyber، گامی بزرگ برای تسریع فرایند کشف و رفع آسیبپذیریهای نرمافزاری برداشته است. این مدل سبکوزن که بر پایه نسخه 3.5 Flash ساخته شده، برای شناسایی، اعتبارسنجی و پچ کردن آسیبپذیریها با سرعت بالا و هزینه پایین بهینهسازی شده است.
دسترسی به این ابزار در حال حاضر از طریق یک برنامه آزمایشی محدود و صرفاً در اختیار دولتها و شرکای مورد اعتماد از طریق عامل هوشمند CodeMender قرار گرفته است. CodeMender پیشتر در اکتبر 2025 به عنوان ابزاری مبتنی بر هوش مصنوعی برای رفع باگها معرفی شده بود.
آسیبپذیرییابی با سرعت بالا و هزینه کم
بر اساس اعلام دیپمیند، این مدل جایگزینی مقرونبهصرفه در برابر مدلهای بزرگ و پرهزینه متمرکز بر امنیت سایبری است. قابلیت فراخوانی پرسرعت و ارزان Gemini 3.5 Flash Cyber به عامل هوشمند CodeMender اجازه میدهد تا مسیرهای کد بیشتری را اسکن کند و آسیبپذیریهای پنهان را به سرعت شناسایی کند.
انتشار این مدل همزمان با عرضه Gemini 3.6 Flash و 3.5 Flash-Lite صورت میگیرد که به ترتیب برای بهبود کدنویسی، کارهای دانشمحور و وظایف کمتأخیر بهینه شدهاند.
رالوکا آدا پوپا، مدیر امنیت Gemini در دیپمیند، و فور فلین، معاون رئیس امنیت و حریم خصوصی این شرکت، در یادداشتی با اشاره به ماهیت دوگانه این فناوری تاکید کردند که رویکردی هدفمند برای استقرار آن اتخاذ شده است. آنها توضیح دادند که این دسترسی محدود به مدافعان خط مقدم، پیشدستانی در یافتن و رفع آسیبپذیریهای حیاتی پیش از سوءاستفاده مهاجمان را میدهد و همزمان از سوءاستفادههای گستردهتر جلوگیری میکند.
تستهای عملکردی و پیشی گرفتن از رقبا
ارزیابیهای این آزمایشگاه تحقیقاتی نشان میدهد این مدل در کشف آسیبپذیریهای جدید در پایگاههای کد، عملکرد بهتری نسبت به Gemini 3.5 Flash و 3.6 Flash دارد. تستهای فشار روی پروژههای پیچیدهای مانند مرورگرهای Google Chrome و Apple Safari نشان داد که این هوش مصنوعی به شکل قابلتوجهی از Gemini 3.5 Flash، 3.6 Flash و Anthropic Claude Opus 4.6 پیشی گرفته است.
هنگام آزمایش روی موتور پیچیده V8 جاوا اسکریپت، مدل Gemini 3.5 Flash Cyber تعداد 55 مسئله تأییدشده و منحصربهفرد را یافت. این رقم در حالی است که Gemini 3.5 Flash و Anthropic Claude Opus 4.6 به ترتیب 47 و 36 آسیبپذیری را کشف کردند. همچنین 10 مسئله وجود داشت که هیچ مدل دیگری قادر به شناسایی آنها نبود.
گوگل در تستهای مشابهی با رویکردهای Anthropic و OpenAI، این مدل را برای کشف آسیبپذیریهای اجرای کد از راه دور در APIهای عمومی و آسیبپذیریهای فساد حافظه در سرویسهای حساس به کار گرفت. این ابزار حتی موفق به تولید یک اکسپلویت اجرای کد از راه دور با قابلیت اطمینان 100 درصدی شد که میتوانست تکنیکهای کاهش استاندارد مانند تخصیص تصادفی فضای آدرس (ASLR) و Write XOR Execute (W^X) را دور بزند.
علاوه بر این، گوگل قابلیتهای پایهای CodeMender را مستقیماً از طریق پلتفرم عامل سازمانی Gemini و برای مدلهای عمومی در اختیار مشتریان قرار میدهد. معماری این سیستم مقیاسپذیر و توانمند، نقطه عطفی برای کمک به مدافعان در تأمین امنیت نرمافزارها محسوب میشود و انتظار میرود در ماههای آینده، دسترسی به آن فراتر از محافل دولتی گسترش یابد.
