Anthropic免费扫描开源漏洞

Anthropic 在 2026 年 10 月 7 日前后推出了 OSS Scanner：开源项目主动报名后，可以免费获得由 Anthropic 最强模型定期执行的安全扫描。它的目标很直接——把原本只有大型企业和专业安全团队用得起的高级漏洞分析能力，放到开源维护者手里。

OSS Scanner 是一项面向开源项目的免费、定期、模型驱动漏洞扫描服务，核心特点是由 Anthropic 的前沿模型自动检查代码和依赖中的潜在安全问题。Anthropic 没有把它包装成一次性的代码体检，而是更接近持续运行的安全监控：项目接入后，模型会周期性地重新检查代码变化和新的攻击面。

这件事的价值不在于又多了一个静态扫描器，而在于 Anthropic 试图让最强模型直接参与漏洞发现。代价同样写得很清楚：OSS Scanner 的报告完全由模型生成，不经过人工审核或人工分诊。因此，它可能更快、更频繁，也可能把并不存在的问题当成漏洞，或者对漏洞严重程度做出错误判断。

这次更新到底提供了什么

OSS Scanner 是一个面向开源维护者的自动化漏洞发现服务，项目需要主动报名，Anthropic 则使用其最强模型定期分析项目代码。与传统扫描工具相比，它更强调理解代码逻辑、构造潜在攻击路径和追踪跨文件风险，而不只是匹配已知漏洞规则。

从目前披露的信息看，服务至少包含三个关键特征：

• 免费使用：符合条件并主动报名的开源项目，无需承担模型使用成本。
• 周期性扫描：不是提交一次代码后生成一份报告，而是持续对项目进行检查。
• 前沿模型参与：Anthropic 表示会调用其最强模型，包括此前用于网络安全研究的 Claude Mythos 系列能力。

这里的“定期”很重要。软件漏洞往往不是在项目第一次发布时产生的，而是在新功能、第三方依赖、编译选项或权限边界变化后出现。一次扫描只能覆盖某个时间点，持续扫描才有机会把漏洞发现窗口压缩到代码变更之后。

但 OSS Scanner 并不等同于经过安全团队签字确认的漏洞审计。Anthropic 已明确说明，扫描结果不会经过人工审核或人工分诊。维护者收到的应该被理解为“需要验证的安全线索”，而不是可以直接发布 CVE、通知用户升级的最终结论。

为什么 Anthropic 现在愿意免费提供

Anthropic 此前已经通过 Project Glasswing 和相关网络安全项目测试了前沿模型在漏洞发现领域的能力。根据公开报道，Glasswing 合作方在 2026 年 4 月至 7 月期间至少发现并核实了 129000 个软件漏洞；Anthropic 自己针对开源项目的扫描工作，在 4 月至 10 月期间又发现了约 5500 个漏洞。

这些数字不能简单理解为“模型独立发现了 129000 个可直接利用的零日漏洞”。公开信息显示，相关数据来自有限数量合作方的统计，Anthropic 也提醒可能存在遗漏，实际影响范围可能更大。同时，漏洞数量、已验证漏洞数量、高危漏洞数量和最终被上游修复的问题，并不是同一个指标。

截至目前，相关项目中超过 33000 个漏洞被评定为严重或高危。不过，这一数字依然需要结合验证流程理解：模型可以大量产出候选问题，真正进入安全公告和修复流程，还要经过复现、影响评估、补丁开发和上游确认。

Anthropic 推出 OSS Scanner，实际上是在把 Glasswing 验证过的能力向开源生态扩散。开源项目是现代软件供应链的底层组件，操作系统、数据库、编译器、媒体框架、容器工具和 AI 基础设施，大量依赖社区维护的代码。一个维护者只有几个人的项目，通常很难持续承担专业代码审计的成本。

这正是 AI 安全扫描最现实的切入口：不是替代顶级安全研究员，而是先把更多项目纳入持续检查范围，让以前根本没人看的代码也获得第一轮高级分析。

与传统工具相比，强模型强在哪里

传统静态应用安全测试工具是按照预先定义的规则、数据流和漏洞模式检查代码，而强模型更擅长从上下文中推断一段代码可能如何被攻击。两者不是互相替代关系，更像是显微镜和侦探的区别：前者覆盖稳定、结果可重复，后者能够提出更开放但也更不确定的假设。

例如，一个传统工具可能发现用户输入未经转义就进入 SQL 查询，也可能根据已知模式识别越界读写。但如果风险分散在多个模块之间，触发条件藏在异常处理流程中，或者需要组合多个低危缺陷才能形成完整攻击链，模型就有机会提供额外价值。

此前公开的案例显示，Claude Mythos Preview 曾在 OpenBSD 中发现一个存在约 27 年的远程崩溃漏洞，也在 FFmpeg 中发现一处隐藏约 16 年的代码问题。后者位于被大量软件间接使用的媒体处理组件中，自动化测试曾执行约 500 万次仍未命中。

这些案例说明，模型的优势不只是“读代码更快”，而是能够持续提出假设、生成输入、观察异常，再沿着可疑路径继续深入。对于复杂项目而言，这种长链路推理比单纯增加规则库更接近人工安全研究员的工作方式。

不过，模型能力必须放进合适的运行框架中才有意义。安全研究中常说的 harness，可以理解为为模型准备的测试环境、工具和反馈回路。相同模型在裸读代码、运行测试、生成利用样例、获取崩溃反馈和反复迭代之间，效果可能相差一个数量级。

因此，OSS Scanner 的实际效果不只取决于它调用了哪个模型，还取决于 Anthropic 如何处理构建环境、依赖安装、测试用例生成、权限隔离、结果去重和报告排序。这些细节目前公开得并不充分，也是项目接入前最应该关注的部分。

OSS Scanner 与相关安全项目对比

| 项目或方式 | 主要对象 | 扫描方式 | 是否免费 | 是否有人类复核 | 适合场景 | |---|---|---|---|---|---| | Anthropic OSS Scanner | 主动报名的开源项目 | 前沿模型定期分析 | 是 | 否，报告完全由模型生成 | 低成本扩大安全覆盖面 | | Project Glasswing | 关键软件和安全合作方 | 模型辅助漏洞发现与利用验证 | 以合作计划为主 | 有专业团队参与验证 | 高价值软件的深度安全研究 | | 传统静态扫描器 | 企业和开源代码库 | 规则、模式和数据流分析 | 视工具而定 | 通常由用户处理 | 持续集成和确定性检查 | | OSS-Fuzz 类持续模糊测试 | 开源项目 | 自动生成输入并进行运行时测试 | 许多项目可免费接入 | 需要维护者分析结果 | 发现崩溃、内存错误和边界问题 | | 人工安全审计 | 高价值软件和关键系统 | 专家手工分析、复现和验证 | 通常成本较高 | 是 | 发布前审计和高风险系统验证 |

OSS Scanner 和 OSS-Fuzz 的关系尤其值得注意。OSS-Fuzz 是 Google 推动的开源模糊测试项目，重点是通过持续运行和自动生成输入，发现会导致崩溃或未定义行为的问题。OSS Scanner 则更偏向代码理解、攻击路径分析和漏洞假设生成。

两者组合起来可能比单独使用任何一方更有价值：OSS-Fuzz 像一张高频运行的压力测试网，OSS Scanner 像一个会主动追问“为什么这里可能被攻击”的分析员。前者结果相对容易复现，后者覆盖的逻辑空间更广，但误报也更难避免。

最大问题不是发现，而是验证

AI 漏洞扫描的核心瓶颈正在从“能不能找到可疑代码”转向“能不能证明它真的有影响”。模型很容易生成一份看起来专业的报告，但报告中的触发条件可能无法成立，攻击路径可能缺少关键权限，或者问题早已被另一处防护机制拦截。

对开源维护者来说，一份低质量报告会产生实际成本。维护者需要搭建特定版本环境，检查模型给出的复现步骤，确认漏洞影响范围，再决定是否修复、发布安全公告或通知下游用户。如果每次扫描都带来大量误报，项目最终可能选择忽略所有报告。

因此，OSS Scanner 的报告质量至少要看四个指标：

1. 可复现性：报告是否提供稳定、清晰的触发条件，而不是只给出模糊描述。
2. 影响判断：模型是否区分拒绝服务、信息泄露、权限提升和远程代码执行，而不是把所有问题都标成高危。
3. 重复控制：同一根因是否会被反复报告，已经修复的问题是否会在后续扫描中正确关闭。
4. 修复可操作性：报告能否指出受影响版本、风险边界和合理修复方向。

安全社区已经给出一个重要提醒：人工验证标准目前不能因为模型变强而取消。公开案例显示，Anthropic 在 Glasswing 项目中仍要求专业安全承包商对模型发现的问题进行审核；在已审报告中，198 份报告有 89% 的严重等级与人类专家完全一致。这个结果已经很强，但也意味着仍有约 11% 的判断存在偏差，不能直接把模型输出当作最终裁决。

OSS Scanner 取消人工复核后，速度和覆盖面会增加，报告的可信度则需要由项目维护者自行补足。这是该服务最关键的产品取舍。

对开源维护者意味着什么

对人手有限的项目，OSS Scanner 最大的价值是降低安全检查的进入门槛。过去，只有被安全研究员关注、被大型企业使用或拥有专门预算的项目，才更容易获得深入审计。免费扫描可以把资源优先投向那些已经被大量依赖、但维护团队规模很小的基础组件。

但报名之前，维护者需要先做好几项准备：

• 确认项目允许第三方自动化分析，尤其是仓库中是否包含未公开分支、测试凭据或内部配置。
• 清理仓库里的敏感信息，避免把不应公开的内容带入扫描环境。
• 准备可重复的构建和测试流程，减少因依赖缺失导致的误报。
• 为安全报告设置明确的接收人和处理时限，避免扫描结果无人跟进。
• 建立漏洞验证标准，至少要求报告能够在指定版本中复现。

对于企业用户，真正需要关注的是供应链风险。一个项目被 OSS Scanner 扫描，并不代表它已经获得安全认证；一个项目没有被扫描，也不意味着它一定不安全。企业仍然应该结合依赖清单、版本锁定、构建签名、漏洞响应时限和上游修复记录，建立自己的风险判断体系。

Anthropic 正在把安全能力产品化

OSS Scanner 还释放出一个更大的信号：Anthropic 正在把网络安全能力从少数合作项目，扩展成分层开放的服务体系。

Anthropic 新公布的 Cyber Verification Program 将过去运行的多项计划整合起来，分为防御、红队和专项三个层级。防御层级覆盖事件响应、恶意软件分析和漏洞研究；红队层级允许经过授权的机构进行渗透测试和攻防演练；专项层级则面向少量经过严格审核的机构，用于电网、航空系统和银行基础设施等高风险场景。

全部层级都可以使用 Claude Opus 5.5、Claude Sonnet 5.5、Claude Mythos 5.1 以及后续模型，但权限、资质和安全管控不同。这个设计体现了 Anthropic 的基本判断：网络安全模型不能简单按照普通企业助手的规则开放，模型越能发现和利用漏洞，使用者身份、目标范围和操作审计就越重要。

OSS Scanner 则是这套体系中最开放的一层。它没有把最强模型直接交给所有人，而是把模型能力封装在限定目标、限定流程的扫描服务里。对 Anthropic 来说，这降低了模型被滥用于攻击真实目标的风险；对开源项目来说，则获得了更低成本的安全检查机会。

结论：值得接入，但不能把报告当结论

OSS Scanner 是目前开源安全领域一个值得关注的产品更新。它真正有用的地方，是让高级模型参与持续漏洞发现，并把服务免费开放给主动报名的开源项目。对于维护资源有限、代码被广泛依赖的基础设施项目，这可能是一次明显的安全能力补充。

但它不是自动化安全认证，更不是把安全责任交给模型。没有人工复核意味着报告需要维护者自行验证，模型生成的漏洞编号、严重等级和修复建议都不能直接发布。最合理的使用方式，是把 OSS Scanner 当作持续安全雷达：它负责扩大搜索范围、提出可疑路径和安排优先级，人类维护者和专业安全团队负责复现、定级、修复与披露。

Anthropic 已经用 Glasswing 证明，前沿模型能够发现过去多年没人发现的漏洞；OSS Scanner 接下来要证明的，则是这些能力能否在更大规模的开源生态中保持稳定、可复现和可处理。对开源世界来说，免费扫描解决的是“有没有人看”的问题，报告质量和响应流程决定的，才是这些扫描最终能不能变成真正的安全收益。

参考来源

• IT之家：已挖出十几万漏洞，Anthropic 向更多安全团队开放其最强 Claude 模型 —— 介绍 Anthropic Cyber Verification Program、Project Glasswing 及相关漏洞统计。
• IT之家：已挖出十几万漏洞，Anthropic 向更多安全团队开放其最强 Claude 模型 —— 补充报道 Glasswing、Claude Mythos 与分层安全计划信息。
• Google OSS-Fuzz GitHub 仓库 —— 了解开源项目持续模糊测试机制，便于对比 OSS Scanner 的技术路径。