本报讯(记者梁傲男)近日，AI开源社区Hugging Face披露了一起由自主AI Agent发起的网络安全（885459）事件。官方披露显示，在事件处置过程中，安全团队需要分析超过1.7万条攻击日志、恶意代码及攻击指令，以重建攻击路径、识别受影响资产并完成事件取证。
值得关注的是，Hugging Face在官方复盘中提到，其最初尝试使用商业模型API进行分析，但由于日志中包含真实攻击指令、恶意代码和C2(Command&Control)等内容，请求受到安全策略限制，未能完成相关分析。随后，团队转而在本地基础设施部署开源模型GLM-5.2，完成了整个取证分析流程。官方同时指出，这样做还有一个额外优势——攻击数据及涉及的凭证始终保留在本地环境，没有离开企业基础设施。
业内人士认为，这一案例反映出，随着AI逐步进入企业核心业务流程，企业对基础模型的关注点也在不断丰富。除了模型能力本身之外，在真实生产环境中的部署能力、工程可用性以及完成复杂任务的能力，正成为越来越多企业关注的重要因素。
GLM-5.2扮演的角色，完全不同于它在标准基准测试中的定位。它不是在MMLU(大模型测评基准)上刷榜的选手，而是在真实、混乱、高风险的工程环境中被拉上火线，并成功完成了任务。这提出了一个反直觉的问题：大模型的能力评估，是否过度依赖了标准化的基准测试？一个模型在学术数据集上的得分，和它在真实攻击取证分析中能发挥的价值，是否存在系统性的错位？
Hugging Face没有选择闭源的商业模型，而是选择了一个开源的中国模型，理由十分具体：第一，这个模型是开放权重的，可以在自有基础设施上本地化部署，攻击者的数据和凭证不会离开受控环境；第二，这个模型没有内置那些在安全响应场景下反而成为障碍的“护栏”；第三，这个模型有能力处理真正的恶意代码和攻击痕迹，而不因伦理约束而拒绝工作。
某种意义上，这是一次比任何基准测试都更有说服力的实战检验。被评估的不是模型在考试中的得分，而是它在真实世界的高风险任务中的可用性。
Hugging Face在复盘中建议，企业应提前准备能够在本地基础设施运行的模型，以便在安全事件等关键场景下开展分析工作，同时保障敏感数据留存在企业环境内。
分析人士表示，从开发、编程到安全运维，大模型正越来越多地参与真实业务流程。模型价值不仅体现在能力表现，更体现在能否稳定融入企业工作流、解决实际问题。这类来自真实生产环境的实践案例，也为企业部署AI提供了新的参考。
