Badanie opublikowane przez Anthropic 12 października 2026 r. opisało trzy odrębne próby: uruchomienie modelu na zestawie przystawek Android TV, konfigurację inferencji na różnych typach sprzętu oraz sterowany test propagacji w sieci emulatorów. Wyniki dotyczą możliwości technicznych w kontrolowanych warunkach; badanie nie wykazało autonomicznej infekcji prawdziwych urządzeń IoT. Anthropic

Co faktycznie sprawdzono

W demonstracji rozproszonej inferencji model Gemma4-26B-A4B działał na 15 tanich przystawkach Android TV, z których każda miała 4 GB pamięci RAM. Anthropic podał szybkość generowania na poziomie 0,39 tokena na sekundę. Rozproszona inferencja oznacza tu podział pracy nad modelem między kilka urządzeń — nie jego samodzielne przenoszenie się między nimi.

Inne zadanie dotyczyło konfiguracji inferencji na różnym sprzęcie. Qwen3.5-9B poradził sobie z nią na ośmiu z dziewięciu testowanych typów urządzeń. To wynik próby adaptacji do sprzętu, a nie liczba zainfekowanych urządzeń.

Trzeci eksperyment sprawdzał, czy agent potrafi wykonać zleconą sekwencję działań w sieci ośmiu emulatorów Androida 15. GLM-5.2 dotarł do wszystkich ośmiu w czterech z pięciu prób, a w pozostałej — do siedmiu. Jego zadaniem było uruchomienie inferencji modelu Llama3.1-8B na urządzeniach docelowych. Anthropic

Dlaczego test sieciowy nie był infekcją domowych urządzeń

Emulatory działały w odizolowanej sieci, a urządzenia komunikowały się przez port Android Debug Bridge (ADB) bez uwierzytelniania. GLM-5.2 koordynował zadanie, lecz na urządzeniach docelowych uruchamiano Llama3.1-8B. Anthropic określił uproszczone warunki dostępu jako górną granicę możliwego powodzenia w rzeczywistym środowisku.

Test sprawdzał wykonanie wskazanych czynności, nie samodzielną decyzję modelu o rozpoczęciu propagacji. Dlatego wyniki opisują poszczególne umiejętności — konfigurację inferencji i realizację sterowanego zadania — a nie działającego w domach robaka AI. Zwykłe botnety IoT już wcześniej wykorzystywały połączone urządzenia; w tym badaniu odrębnym pytaniem była możliwość dostosowania inferencji do nieznanego sprzętu.

Co oznacza prognoza na koniec 2026 roku

Anthropic szacuje, że małe modele mogą osiągnąć badany poziom możliwości do końca 2026 r., jeśli nadal będą rozwijać się w dotychczasowym tempie. To prognoza, nie wynik testu. Zespół dopasował trend do wskaźnika Epoch Capabilities Index (ECI) dla znaczących modeli o otwartych wagach, mających łącznie nie więcej niż 30 mld parametrów. Dopasowanie wyniosło 13,7 punktu ECI rocznie, a R² — 0,95. Anthropic podkreśla, że ECI jest jedynie przybliżeniem zdolności do replikacji, a termin prognozy pozostaje szacunkowy. Anthropic

Historyczny przykład ograniczania botnetu Mirai

Anthropic przytacza wcześniejszą akcję usuwania infekcji Mirai: po kwarantannie urządzeń przez dostawcę internetu i powiadomieniu użytkowników w ciągu 14 dni usunięto 92% infekcji, wobec 74% bez powiadomienia. To historyczny rezultat dotyczący Mirai. W badaniu Anthropic wymieniono też monitoring dużych transferów modeli i nietypowego ruchu między urządzeniami, honeypoty, kwarantannę oraz mocniejsze domyślne zabezpieczenia urządzeń IoT jako możliwe środki obrony. Anthropic