基础篇
进阶篇
高频篇
精选篇
手写篇
面经篇
AI 篇
原理篇
每日一题
小程序题库
  • 知识卡片碎片时间过考点
  • 场景篇按分类整理的大前端场景考点
  • 历年面经按年份追踪真实考点
  • 算法题库NEW在线编码即时判题
  • 专项自测100 题快速查漏
  • 前端基础
    • HTTP从报文一路讲到 HTTPS
    • 浏览器渲染、事件循环、进程
    • 计算机基础Linux、网络、操作系统
  • 进阶专项
    • 设计模式23 种模式怎么用
    • 前端系统进阶学习大型项目工程化
    • 前端综合文章长期沉淀的实践文
  • 工程与工具
    • Node学习指南从环境搭建到服务端
    • NPM工作流script、依赖与发布
    • Docker容器化部署上手
    • Canvas图形与动画实战
  • 路线与导图
    • 思维导图知识点全景图
    • 学习路线按图索骥不跑偏
  • 动态
    • 公众号动态公众号历史文章
    • 博客动态站长的技术博客
    • 开发者导航常用工具与文档站
    • AI 热点每日 AI 资讯与动向
AI 工作台
旧版
AIHT
内容
精选全部 AI 动态热点榜AI 日报收藏
分类
模型行业编程产品技术观点开源
更多
Agent 接入
返回首页开发者导航
AIHT
精选 / 资讯详情
8.0
热点
AI SCORE
技术实践2026-11-22 21:23

MiniMax 公布自动化密码分析成果与代码

IT之家#密码分析#MiniMax#开源
Editor brief · 编辑速览

MiniMax 称其内部模型发现多个学术密码方案的构造缺陷,将部分理论攻击转为可执行破解,并在公开数学挑战中取得显著加速。团队已披露技术报告和代码,明确表示结果不影响 AES、RSA、SHA-256 等现行主流标准的安全性。

文章思维导图
Knowledge map
拖拽缩放
AI deep read

AI 深度解读

MiniMax 宣布,其最新内部模型在密码分析中发现了此前未知的构造缺陷,把部分停留在论文中的理论攻击推进到秒级至分钟级执行,还在公开数学挑战中取得数百至数万倍的实测加速。

这条消息值得看,但要分清攻击对象:研究针对学术前沿方案、历史竞赛候选设计和公开参数挑战。按官方说明,相关发现不影响 AES、RSA、SHA-256 等现行主流密码标准的安全性。真正值得追问的是,模型做到了哪一步,以及这些成绩靠什么成立。

从理论攻击到实际破解,跨过了什么门槛

据 IT之家 11 月 22 日报道,MiniMax 研究团队利用最新内部模型,开展了系统性的自动化密码分析。原文没有给出模型名称、版本号,也没有说明它与公开模型的关系。

研究结果覆盖两类对象。

第一类是历届 NIST(美国国家标准与技术研究院)国际密码标准化竞赛的候选算法。官方称,模型首次实际攻破了多个此前「尚无已知实际攻击」的候选算法。

这里的限定很关键:候选算法是参加过竞赛的设计,不能直接当成已经采用的密码标准。「尚无已知实际攻击」也不等于此前已经证明安全,而是此前没有已知的实际攻击结果。

第二类是近年发表于密码学顶会、顶刊的论文方案,以及竞赛优胜方案。官方称,模型对其中多个方案实现了高效的密文伪造或密钥恢复,并刷新了新型分组密码的最高破解轮数纪录。

密文伪造与密钥恢复是不同的攻击成果,不能混为一谈。前者涉及构造伪造密文,后者则直接以恢复密钥为目标。原文没有交代各个方案分别遭遇哪种攻击,也没列出破解轮数和具体参数,因此目前还无法判断这些结果的适用范围。

这次消息的重点,是部分理论攻击被推进成了可以实际执行的攻击。

不过,「秒级至分钟级」对应哪些方案、运行在什么硬件上、包含哪些计算阶段,报道都没有展开。

数百至数万倍加速,不能只看模型会不会推理

另一组成果来自经典数学困难问题。这类问题是公钥密码体系的重要基础,但攻克某个公开挑战实例,并不等于攻破所有依赖相关数学问题的密码系统。

据官方描述,内部模型把「挖掘隐含代数结构」与「系统级工程优化」结合起来,首次攻克了国际公开挑战赛中数十个尚无公开解的高阶挑战实例,相比当前最优的求解算法实现了数百至数万倍的实测加速。

这两种能力承担的工作不同。寻找隐含代数结构,是尝试发现问题中可以利用的数学关系;系统级工程优化,则关心怎样把求解过程高效地执行出来。报道将两者共同列为成果来源,没有拆分各自贡献。

因此,不能把全部加速都归给模型推理。判断这个数字,需要知道对照算法的实现、双方硬件、挑战参数,以及计时是否采用相同口径。原文给出了实测加速的结论,但没有提供足够的对照细节。

MiniMax 表示,已经提前把分析结果同步给相关方案作者,并将模型生成的推理轨迹整理、验证,以技术报告和代码的形式公开。这提供了进一步核验的入口,但这则报道本身没有展示复现过程。

我的判断

我认为,这次公布的成果值得关注之处,是它把 AI 的能力评价推进到了可检验的结果:能否执行攻击、能否恢复密钥、能否解出公开挑战。相比只展示一段看似严密的推理,这些结果更有检验价值。

但现有信息仍然主要来自 MiniMax 的官方披露。报道没有列出方案名称、攻击条件、完整基线和独立复现结果,不能据此确认每项纪录的边界,也不能判断一般团队使用公开模型能否取得类似效果。

与传统密码分析相比,这则报道也不足以证明模型能够独立替代研究人员。已知的是,研究团队使用内部模型开展分析,并对推理轨迹进行了整理与验证;任务怎么拆、人参与了多少、失败尝试有多少,原文没说清。

至于日常开发,结论反而很明确:按官方限定,这不是要求前端或 Node 开发者更换 AES、RSA、SHA-256 的消息。把学术候选方案的攻击结果扩大成「主流加密已经失守」,超出了原文证据。

能拿来做什么

  • 在团队内转述这条消息时,把「学术方案、历史竞赛候选、公开参数挑战」与现行主流标准分开写,避免把局部研究成果误传成普遍安全事件。
  • 如果项目正在评估某个研究型密码方案,先核对它是否属于此次分析对象,再查看对应攻击的参数和条件,不能只凭「经过同行评审」或「竞赛优胜」判断安全性。
  • 阅读这类 AI 研究成绩时,优先检查代码、基线实现、硬件和计时口径。数百至数万倍是核验的起点,单独一个倍数无法解释加速从哪里来。
  • 在日常 AI 编程中,可以借鉴其验证思路:让模型提出分析路径后,继续要求可运行的实现与可检查的结果。能生成推理文字,与结果通过验证,是两道不同的关口。
Original source

本文由 AI 通读原文后重新编写,观点部分为站内判断,细节以原文为准,来源 IT之家,原文版权归原作者所有。

阅读原文
上一篇
777 个 AI 技能审计揭示安装隐患
下一篇
SenseNova 循环模型的显存与算力账

资讯速览

IT之家 · 2026-11-22 21:23

AI 评分 8.0 / 10

相关标签

#密码分析#MiniMax#开源

继续阅读

  • 把编辑器里的 API 验证变成 CI 门禁
  • 777 个 AI 技能审计揭示安装隐患
  • SenseNova 循环模型的显存与算力账
  • 用调用轨迹拦截 Agent 行动幻觉
  • Agent 授权还需校验整条执行链