评估 MiniMax 内部模型的密码分析能力

密码学

我们的研究团队利用 MiniMax 最新内部模型对现代密码方案开展了系统性的自动化密码分析,发掘出多处此前未知的算法构造缺陷,并将多项原本停留在理论的攻击,推进到秒级至分钟级的高效破解。

相关突破主要涵盖三个方面:第一,针对历届 NIST 国际密码标准化竞赛,该内部模型首次攻破了多个此前 尚无已知实际攻击 的候选算法;第二,我们将分析范围拓展至近年发表于国际密码学顶会、顶刊的论文及竞赛优胜方案,对多个历经同行评审的前沿密码构造实现了高效的认证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;第三,该模型在求解作为公钥密码体系基石的经典数学困难问题时,展现出将密码学算法隐含代数结构的挖掘与系统级工程优化相结合的能力,在国际公开挑战赛中首次攻克了数十个此前尚无公开解的高阶挑战实例,并与当前最优的求解算法相比实现了数百至数万倍的实测加速。


什么是密码分析?

从网络通信、金融交易到底层基础设施,现代数字世界的安全运转,皆系于密码算法的可靠性。

不同于寻找由编程疏忽导致的常规软件漏洞,密码分析是旨在检验算法安全性的一场“明牌博弈”。现代密码算法的数学原理与实现源码完全公开,其安全边界纯粹由计算复杂度决定;而密码分析要做的,正是直面这些公开的严密代数结构,从中找出能够绕过算力壁垒、大幅降低计算复杂度的底层数学弱点。

这对大模型的深度推理与工程能力提出了极其严苛的双重考验。在密码分析中,模型不能只停留在纸面上的理论推演和复杂度估算,更必须将长达数百步的数学推导,转化为可实际运行的攻击代码,在有限算力下算出最终答案。

这是一条“零容错”的漫长链路:上百步代数推导中错一个正负号,或是几千行代码里偏一个比特,最终输出的都只能是一堆毫无意义的乱码。没有模糊的中间态,跑通代码即证明一切——这种绝对客观的验证标准,使密码分析成为了衡量大模型长程推理与科学探索能力的理想试炼场。


一、攻破历届 NIST 竞赛中“无已知实际破解”的候选算法

评估大模型是否具备实质性的密码分析能力,核心难点在于分清模型究竟是在复现记忆中的文献知识,还是在进行独立的原创推导。由苏黎世联邦理工学院(ETH Zurich)、Anthropic 等机构联合构建的 CryptanalysisBench(NeurIPS 2026),为此提供了严格的评测基准。该基准收录了美国国家标准与技术研究院(NIST)四大密码标准化竞赛中的参赛算法,涵盖 AES、SHA-3、轻量级密码和后量子密码。其中,Tier 1 包含 49 个已知存在实用攻击的密码方案;Tier 2 则收录了142个经过密码学界公开评估、但尚无已知实用攻击的候选方案。

在与原论文一致的环境中,我们重点考察了该内部模型在 Tier 2 未知攻击场景下的表现。复盘其独立解题轨迹发现,该模型已能够直接从底层数学层面剖析并实质性攻克多个 NIST 候选方案,以下为代表性案例:

除数学构造外,在代码实现层面,该内部模型也在对 Tier 2 密码算法的源码审计中,独立发现了十余处此前未知的严重实现问题:


二、 走向学术前沿:对近年密码学顶会及竞赛优胜算法的新结果

CryptanalysisBench Tier2 中的算法主要源于过往标准化竞赛最终落选的候选方案。这自然引出了一个问题:那些近年来发表于国际密码学顶级会议和期刊、经过严格同行评审的前沿密码算法,乃至某些密码学竞赛中的优胜方案,是否也存在人类专家尚未发现的安全问题?为此,我们设计了一套自动化密码分析框架,对这两类高规格密码方案展开了系统性的独立分析。

这些前沿方案往往引入了更新型的代数结构,且原论文通常已针对差分、线性以及代数分析等主流攻击对方案的实际安全强度进行评估,并附有严格的安全下界或者安全归约的证明。面对这些复杂的新型设计,该模型依然能够通过深入的数学推演,识别出原方案中安全性证明的疏漏,或发现人工审查难以覆盖的组合盲区。更重要的是,模型能将这些新发现的理论弱点转化为可执行的攻击程序,在标准安全场景下实际攻破了以下前沿算法:


三、 挑战公钥密码的基石:优化经典数学困难问题的求解算法

前两部分主要关注具体密码方案在结构设计或安全证明中的问题。这也引出了一个更深层的问题:如果一个密码体制没有可利用的设计缺陷,其安全性完全归约到经过数十年研究的经典数学困难问题上,模型还能否找到更高效的底层求解算法?在公钥密码学尤其是后量子密码中,编码、格和多变量等领域的经典数学难题是许多密码方案的安全基础。为评估这些问题的实际求解难度,国际密码学界设立了一系列公开挑战赛,通过难度逐步提高的算例,持续检验现有算法与算力的极限,并为 NIST 后量子密码标准的参数设定提供依据。

面对这类直接考验底层求解能力的挑战,MiniMax 内部模型展现出了将底层代数结构化简与系统级工程优化深度结合的能力。对于传统算法需要消耗海量内存或长时间占用超算资源的公开算例,该内部模型通过挖掘数学结构中的隐藏性质,大幅压缩搜索空间,并针对现代 CPU 架构优化算法实现。借助这些改进,该模型在国际权威挑战赛中刷新了此前密码学顶会论文和多卡 GPU 集群方案报告的求解纪录,并首次攻克了数十个尚无公开解的高阶挑战实例:


与学术社区的协作与披露

随着语言模型开始自主产出新的密码分析结果,研究工作的瓶颈正逐渐从如何寻找潜在的攻击路径转向如何高效地验证和评估这些新发现的有效性。尽管密码分析任务自带代码侧的客观验证环境,但对于前沿算法安全边际的重新界定,依然离不开人类密码学专家的审视与探讨。

本次研究聚焦于学术前沿方案、历史竞赛候选设计与公开参数挑战,相关发现不影响现行主流密码标准的安全性。

遵循负责任的科学研究与安全披露原则,我们已提前将分析结果同步给相关方案的作者,并将上述实验中由 MiniMax 内部模型生成的推理轨迹加以整理与验证,以技术报告和代码的形式公开至:https://github.com/MiniMax-AI/Research。

同时,我们也十分欢迎密码学与安全领域的学者、开发者测试和使用该内部模型,与我们共同探索自动化密码分析的能力边界。可以将您的身份信息与研究背景发送至邮箱:developer@minimax.io 提交测试申请,我们将为符合条件的学者、开发者提供测试通道。