# Kimi K3 і DeepSeek стали зброєю китайських держ-хакерів > Дослідники зафіксували, як кілька повʼязаних із Пекіном угруповань автоматизують кібератаки за допомогою відкритих моделей Kimi K3 і DeepSeek. - Опубліковано: 25 серпня 2026 р. (2026-08-25T01:52:49.473147+00:00) - Розділ: Безпека AI - На основі публікації: [Techmeme](https://www.techmeme.com/260824/p39#a260824p39) - Видання: AiiN (https://aiin.news) - URL: https://aiin.news/article?slug=kimi-k3-%D1%96-deepseek-%D1%81%D1%82%D0%B0%D0%BB%D0%B8-%D0%B7%D0%B1%D1%80%D0%BE%D1%94%D1%8E-%D0%BA%D0%B8%D1%82%D0%B0%D0%B9%D1%81%D1%8C%D0%BA%D0%B8%D1%85-%D0%B4%D0%B5%D1%80%D0%B6-%D1%85%D0%B0%D0%BA%D0%B5%D1%80%D1%96%D0%B2 --- Кілька пов'язаних із державою Китаю груп кіберзлочинців автоматизують атаки за допомогою відкритих моделей Kimi K3 від Moonshot AI та DeepSeek — про це повідомляють дослідники безпеки, чиї висновки 24 серпня 2026 року зібрав агрегатор Techmeme. Ідеться не про одиничний інцидент: кілька незалежних угруповань паралельно інтегрували відкриті LLM у власний операційний конвеєр атак. Головна відмінність цього кейсу від попередніх історій про зловживання ШІ — саме у відкритості ваг. Закритий API на кшталт Claude чи GPT провайдер може моніторити, обмежувати запитами й миттєво блокувати за підозрілу активність. Kimi K3 і DeepSeek можна завантажити, розгорнути на власній інфраструктурі й донавчити без жодного зовнішнього нагляду. [За даними Techmeme](https://www.techmeme.com/260824/p39#a260824p39), саме ця автономність і зробила відкриті моделі привабливими для держ-повʼязаних груп: вони отримують інструмент рівня великої мовної моделі, не ризикуючи, що постачальник помітить активність і відріже доступ. ## Що саме зафіксували дослідники? За даними, зібраними Techmeme, ідеться про кілька незалежних китайських держ-повʼязаних команд, кожна з яких застосовує Kimi K3 та DeepSeek для автоматизації частини атакового циклу. Джерело не деталізує повний перелік технік, але сам факт паралельного використання відкритих моделей кількома групами вказує: це усталена практика, а не разовий експеримент одного актора. ## Чому саме відкриті моделі, а не закриті API? Відповідь — у різниці моделей доступу. Розгортаючи Kimi K3 чи DeepSeek локально, угруповання позбувається трьох ризиків, притаманних роботі через хмарний API: журналювання запитів на боці постачальника, спрацювання систем виявлення зловживань і миттєвого бану облікового запису. Більше того, ваги відкритої моделі можна донавчити так, щоб зняти вбудовані обмеження на генерацію шкідливого коду — процедура, недоступна для закритих моделей, де базові фільтри контролює сам розробник. Орендувати GPU-потужність під такий інференс сьогодні можна в будь-якій хмарі, що не перевіряє кінцеве використання клієнта, — тож і цей бар'єр практично не стримує охочих. ## Чим це відрізняється від відомих випадків зловживання закритими моделями? Порівняння тут показове. У листопаді 2025 року Anthropic опублікувала звіт про кампанію GTG-1002 — за оцінкою компанії, першу задокументовану масштабну кібератаку, виконану переважно автономним AI-агентом на основі Claude Code, повʼязану, на думку Anthropic, з китайським держ-актором. Тоді саме телеметрія провайдера дала змогу виявити аномальну активність і перервати кампанію. У випадку з Kimi K3 і DeepSeek такого запобіжника немає в принципі: модель працює локально, поза полем зору будь-якого зовнішнього спостерігача. ## Що з цим робити AI-білдерам і security-командам? Практичний висновок один: поріг входу в offensive AI знизився не для «поганих акторів у вакуумі», а конкретно для тих, хто має ресурси розгорнути й донавчити модель на власному залізі, — тобто передусім для держ-повʼязаних груп і великих кримінальних синдикатів. Для security-команд це означає: - закладати в модель загроз сценарій, де атакувальник має доступ до LLM рівня GPT-4-class без rate-limit і content-filter обмежень; - переходити на behavioral-детекцію (аномальна швидкість розвідки, характерні паттерни згенерованого коду) замість пошуку «підпису постачальника моделі»; - відстежувати публікації дослідників про TTPs (tactics, techniques, procedures), повʼязані з конкретними відкритими моделями, а не лише з брендами відомих атакувальників. ## Висновок AiiN Дискусія навколо відкритих ваг зазвичай зводиться до питання, хто кого наздоганяє в бенчмарках. Цей кейс показує інший вимір: відкриті ваги — це ще й відкритий доступ до offensive-tooling без vendor-контролю, і рахунок за це оплачують захисні команди, а не розробники моделей. Наша теза: security-політики, які досі оцінюють ризик ШІ лише через призму «які дані ми відправляємо в чужий API», відстають на крок — загроза тепер приходить і з боку моделей, які взагалі не мають власника API, здатного її зупинити. Для команд, що будують продукти на базі відкритих моделей, це додатковий аргумент інвестувати в моніторинг власного inference-контуру, а не покладатися на репутацію лабораторії, яка випустила ваги. ## Чи означає це, що DeepSeek і Kimi K3 «небезпечніші» за Claude чи GPT? Ні, ідеться не про якість моделі, а про модель контролю доступу. Будь-яка достатньо потужна LLM, потрапивши у формат відкритих ваг, втрачає рівень нагляду, який має власник закритого API. ## Чи можна заблокувати таке використання на рівні постачальника? Повністю — ні: після публікації ваг розробник моделі технічно не може відкликати доступ до неї. Реалістична відповідь лежить на боці захисту — детекція на рівні мережевої й поведінкової телеметрії, а не на рівні самої моделі. --- Теги: БезпекаAI, DeepSeek, KimiK3, кібербезпека, opensource, Китай Джерело: AiiN — https://aiin.news/article?slug=kimi-k3-%D1%96-deepseek-%D1%81%D1%82%D0%B0%D0%BB%D0%B8-%D0%B7%D0%B1%D1%80%D0%BE%D1%94%D1%8E-%D0%BA%D0%B8%D1%82%D0%B0%D0%B9%D1%81%D1%8C%D0%BA%D0%B8%D1%85-%D0%B4%D0%B5%D1%80%D0%B6-%D1%85%D0%B0%D0%BA%D0%B5%D1%80%D1%96%D0%B2. Цитуючи, посилайтесь на канонічний URL.