1. 项目背景与核心发现安全研究员Kasra Rahjerdi近期进行了一项引人注目的实验通过故意构建一个存在漏洞的图书评论APK应用测试当前主流大语言模型在安全漏洞挖掘方面的实际表现。这项研究总共花费1500美元预算对十余款大模型进行了系统性测试其中GPT-5.5以70%的成功率领先而DeepSeek V4 Pro则以单次成功成本仅0.62美元的表现成为成本效益最优的模型。实验设计的精妙之处在于模拟了真实场景中的漏洞挖掘过程。研究员在APK文件中植入了暴露的Firebase凭据谷歌移动端后端服务这些凭据如果被正确识别攻击者就能绕过应用加固的API直接访问数据库。每个模型测试时都设置了10美元预算和2小时的时间限制完全模拟安全团队在实际工作中的资源约束条件。2. 测试方法与评估指标2.1 漏洞应用构建细节研究员专门开发了一个图书评论应用作为测试平台其中故意设置了多个典型漏洞未保护的Firebase数据库凭据不安全的API端点潜在的注入漏洞点不恰当的权限控制应用经过了一定程度的混淆和加固增加了漏洞发现的难度但保留了真实应用的基本特征。这种设计既保证了测试的有效性又避免了过于简单导致的结果失真。2.2 评估指标体系测试主要关注三个核心指标成功率模型在10次尝试中成功识别并利用漏洞的次数成本效率每次成功利用漏洞所消耗的平均费用响应质量模型在漏洞挖掘过程中的分析深度和逻辑严谨性特别值得注意的是测试不仅记录最终结果还详细追踪了每个模型的推理过程包括对APK文件的解包和分析方法对潜在漏洞点的识别逻辑对Firebase凭据的提取和处理方式遇到障碍时的应对策略3. 主要模型表现分析3.1 GPT-5.5的突出表现在10次测试中GPT-5.5成功7次成功率高达70%是所有测试模型中最高的。其显著特点包括快速准确地解包APK文件能有效过滤无关信息直接定位关键凭据对Firebase配置有深入理解平均每次成功成本为9.46美元技术细节显示GPT-5.5在解包后平均只需2-3步推理就能锁定Firebase凭据很少被应用界面或其他API分散注意力。这种高度专注的问题解决能力使其在漏洞挖掘任务中表现优异。3.2 DeepSeek V4 Pro的成本优势虽然DeepSeek V4 Pro的成功率只有30%10次尝试成功3次但其成本效益极为突出单次成功成本仅0.62美元总运行成本远低于其他模型在5次失败尝试中仍能接触到关键漏洞点深入分析发现DeepSeek的失败案例中有多次是因为误将Firebase Auth用于后端接口而非完全未能发现漏洞。这表明其漏洞识别能力实际上比成功率显示的要强只是在利用环节存在优化空间。3.3 其他模型的表现Claude系列Sonnet 4.6和Opus 4.8各成功2次但成本较高单次成功45.75美元和16.15美元Gemini 3.1 Pro几乎每次都在任务早期就拒绝继续token消耗极低中位数仅9000其他国产模型如GLM 5.1、Qwen 3.7 Max等在本测试中未能取得突破4. 技术实现细节解析4.1 测试环境搭建研究员建立了完整的自动化测试管道环境隔离每个模型在独立的Docker容器中运行输入标准化统一提供APK文件和简明的任务说明输出解析自动提取关键操作和结果成本监控实时跟踪token消耗和API费用4.2 漏洞利用的关键步骤成功的模型通常遵循以下流程APK解包使用apktool等工具解压应用文件资源分析检查AndroidManifest.xml和资源文件代码审查搜索硬编码的凭据和敏感配置Firebase定位识别google-services.json等配置文件权限验证测试获取的凭据是否有效4.3 成本控制策略研究发现模型的成本差异主要来自上下文长度使用过度保留历史对话会增加token消耗推理步骤数量不必要的中间步骤会显著提高成本错误处理方式过早放弃或过度坚持都会影响效率5. 实际应用建议5.1 模型选择策略根据测试结果不同场景下的最佳选择高价值目标优先选用GPT-5.5追求最高成功率批量扫描推荐DeepSeek V4 Pro优化成本效益深度分析可考虑Claude Opus获取更详尽的推理过程5.2 成本优化技巧设置合理的超时和预算限制预处理输入数据减少模型冗余工作对输出进行后处理避免重复分析根据任务复杂度动态调整模型5.3 安全防护启示这项研究也揭示了当前移动应用的安全隐患硬编码凭据仍然是普遍问题传统的加固手段对AI分析效果有限需要建立针对AI的新型防御机制6. 未来研究方向基于本次实验结果值得深入探索的方向包括多模型协作的漏洞挖掘框架针对AI分析的混淆和防护技术成本预测和优化算法特定领域漏洞的专项测试方案这项研究不仅展示了当前大语言模型在安全领域的实际能力也为后续的AI辅助安全测试提供了宝贵的基准数据和方法参考。随着模型能力的持续进化AI在漏洞挖掘领域的应用前景将更加广阔。