Wiz-agenten Atlas fant over 200 ukjente sårbarheter i Linux-kjernen, Kubernetes og gRPC

«Den varige fordelen er ikke én enkelt modell, men systemet rundt den», skriver Wiz Research i bloggposten som presenterte Atlas 27. juli. Atlas er et autonomt agentsystem for sårbarhetsforskning, skrevet av Nir Ohfeld og Yuval Avrahami i forskningsteamet til sikkerhetsselskapet Wiz. Selskapet oppgir at systemet ligger på førsteplass på CyberGym med 90,9 prosent treffrate, den offentlige benchmarken for KI-drevet sårbarhetsarbeid.

Testkjøringene gikk mot kodebaser som allerede er fuzzet og gjennomgått i tiår: grpc, dnsmasq, Kubernetes, gVisor, Linux-kjernen og containerd. Over 200 tidligere ukjente sårbarheter kom ut av det, og Wiz holder tekniske detaljer tilbake til vedlikeholderne har fikset dem. En tidlig versjon av Atlas var også verktøyet en forsker brukte da GitHub-sårbarheten CVE-2026-3854 ble funnet, en kritisk RCE som ifølge Wiz utløste den største bug bounty-utbetalingen i GitHubs historie. Alle tallene er Wiz sin egen framstilling og er ikke etterprøvd av tredjepart.

Arkitekturen er den delen som er verdt å låne. Atlas deler jobben i navngitte steg som styres av vanlig kode, ikke av én modell som får beskjed om å finne feilen på egen hånd. Først bygges en trusselmodell av kodebasen forankret i en code property graph, slik at resonnementet hviler på faktiske kall- og dataflytfakta i stedet for gjetning ut fra omkringliggende tekst. Deretter jakter flere agenter parallelt, hver på sin egen hypotese om hvordan svakheten kan nås og utløses.

Så kommer steget Wiz peker på som den største spaken mot falske positiver: hvert kandidatfunn blir bestridt. Én agent argumenterer for at funnet er utnyttbart, en annen argumenterer mot, og en tredje veier bevisene og bestemmer. Overlever kandidaten, bygger systemet et eget kjøremiljø, installerer avhengighetene og trigger inputen for å bekrefte oppførselen dynamisk.

«Dagens frontier-modeller er eksepsjonelle på smale, veldefinerte oppgaver, men langt mindre pålitelige når de skal eie en åpen flerstegs-arbeidsflyt fra start til slutt» — Wiz Research

Den observasjonen er grunnen til at Wiz lot deterministisk kode drive arbeidsflyten og reserverte modellene til resonneringsstegene. Selskapet oppgir at dette slo både LLM-drevet og skills-drevet orkestrering klart. Hvert steg rutes dessuten til den modellen som vinner på akkurat den oppgaven, og hele systemet ble bygget med eval-drevet utvikling: harde kvalitetsmål per komponent før noen endring ble gjort. Begrunnelsen er nyttig i seg selv. Endringer som virket åpenbart fornuftige for en erfaren sikkerhetsforsker ga ifølge Wiz ofte ingen effekt, eller gjorde resultatene dårligere.

Hva bør du gjøre?

1. Legg inn et bestridelsessteg i agentene dine, der én agent argumenterer mot funnet før du stoler på det. Wiz peker på dette som enkeltfaktoren som holder falske positiver nede.
2. Flytt orkestreringen ut av modellen og inn i kode. Navngitte steg med eksplisitte overganger slår «her er målet, finn ut av det» på flerstegsoppgaver.
3. Bygg evals per komponent før du justerer prompter. Uten måling er intuisjonen din om hva som hjelper systematisk upålitelig.