curl 8.22.0 ออกพร้อม 10 CVE — หกตัวมาจากสตาร์ตอัปที่ "แค่ห่อ harness รอบโมเดลที่มีอยู่แล้ว" หลังระบบของ Anthropic และ OpenAI หาไม่เจอสักตัว
2 กันยายน 2026 curl 8.22.0 ออก พร้อมประกาศช่องโหว่ 10 CVE (9 ตัวสำหรับ curl/libcurl และ 1 ตัวสำหรับ wcurl) ในรีลีสเดียว ซึ่งมากผิดปกติสำหรับโปรเจกต์ที่โด่งดังเรื่องความเข้มงวด แต่เรื่องที่น่าสนใจกว่าจำนวนคือ ใครเป็นคนหาเจอ
เปิดไฟล์ vuln.json ของ curl เองแล้วดูช่อง credits จะเห็นว่าหกใน 10 CVE ระบุ FINDER คนเดียวกัน — Stanislav Fort (Aisle Research) ซึ่งเป็นสตาร์ตอัปด้าน AI security ที่แทบไม่มีใครรู้จักเมื่อเดือนที่แล้ว และอีกหนึ่งตัวมาจาก Autonomous Code Security team ของ Microsoft
สิ่งที่ทำให้กรณีนี้มีค่ามากกว่าเบนช์มาร์กใด ๆ คือ มีเส้นฐานที่ถูกประกาศไว้ก่อนล่วงหน้า โดยคนที่ไม่ได้มีส่วนได้เสีย
ไทม์ไลน์ที่ตรวจสอบได้ทีละวัน
24 ส.ค. Daniel Stenberg ผู้ดูแล curl โพสต์บน Mastodon ของตัวเองว่าเหลืออีก 9 วันจะรีลีส และมี CVE ค้างอยู่แค่สามตัว พร้อมวงเล็บที่กลายเป็นเส้นฐานของทั้งเรื่อง:
“We are at 9 days to the next #curl release and we have only *three* pending CVEs to announce (two low, one medium). Three is like nothing! (Mythos says it can’t find any more. Zeropath finds no vulnerabilities. Codex security shows an empty list.)”
นี่คือจุดที่ต้องอ่านช้า ๆ — Mythos คือโมเดลระดับสูงสุดของ Anthropic (รุ่นที่จำกัดเฉพาะ Project Glasswing) และ Codex Security คือระบบของ OpenAI ทั้งคู่ถูกรันกับโค้ดเบสเดียวกัน และทั้งคู่รายงานว่าไม่เหลืออะไรให้หา
25 ส.ค. เวลา 13:46 Stenberg โพสต์ข้อความสั้นสามคำ:
“Mythos: 0 Aisle: 29 😱”
25 ส.ค. เวลา 15:03 เมื่อมีคนถามว่า Aisle คืออะไร Stenberg ตอบด้วยประโยคที่ผมคิดว่าคือใจความทั้งหมดของข่าวนี้:
“as I understand it, Aisle is mostly about building harnesses around existing models. But I’m not the expert, I just see the results of their tooling…”
27 ส.ค. Stenberg รายงานว่ารับ submission ผ่าน HackerOne 42 รายการในสองวัน เทียบกับ 86 รายการตลอดทั้งปี 2024
2 ก.ย. รีลีสออกจริง CVE ค้างจากสามตัวกลายเป็นสิบ และหกตัวเป็นของ Aisle
หกช่องโหว่นั้นคืออะไร และใหญ่แค่ไหน
จากฐานข้อมูลของ curl เอง ทั้งหกตัวถูกจัดระดับ Low ทั้งหมด:
| CVE | สรุป |
|---|---|
| CVE-2026-80229 | OpenSSL provider use-after-free |
| CVE-2026-80230 | OpenSSL pinning bypass |
| CVE-2026-80231 | native CA store connection reuse |
| CVE-2026-80255 | secure cookie attribute bypass ด้วยอักขระ tab |
| CVE-2026-82208 | wolfSSL CA-cache hit ทับ callback |
| CVE-2026-82209 | domain-scoped PSL domain cookie |
ต้องพูดตรง ๆ ว่า นี่ไม่ใช่ RCE และไม่ใช่ช่องโหว่ที่จะทำให้ใครตื่นกลางดึก ทั้งหมดเป็นบั๊กที่ซ่อนอยู่ในคอนฟิกแคบ ๆ และปฏิสัมพันธ์ที่ละเอียดอ่อน — ซึ่งก็สมเหตุสมผลกับโค้ดเบสที่ถูกขัดมาแล้วหลายสิบปี แต่ประเด็นไม่ได้อยู่ที่ความรุนแรง ประเด็นคือ มันมีอยู่จริง มันผ่านการตรวจของมนุษย์ที่เป็น maintainer จนได้เลข CVE และระบบของสองแล็บชั้นนำหาไม่เจอ
อีกตัวเลขที่ควรอยู่ในหัว: 29 รายงาน → 6 CVE อัตราแปลงประมาณหนึ่งในห้า ส่วนที่เหลือคือบั๊กที่ maintainer ตัดสินว่าไม่ใช่ช่องโหว่ หรือ “informative” — ซึ่ง Stenberg เองก็บอกว่าปัจจุบันปิดเคสเป็น informative เยอะขึ้นมาก นั่นคือภาระที่ตกกับ maintainer ไม่ใช่กับผู้ส่ง
จุดที่ต้องระวังในการอ่านเรื่องนี้
บล็อกที่จุดกระแสเรื่องนี้เป็น บล็อกของ Aisle เอง ซึ่งเป็นการเคลมเชิงแข่งขันของผู้ขาย ผมจึงไล่ตรวจกับต้นทางทีละจุดก่อนเขียน:
- เครดิตหกรายการ ยืนยันแล้ว จาก
curl.se/docs/vuln.jsonไม่ใช่จากบล็อกของ Aisle - คำพูดของ Stenberg ทั้งสามชิ้น ยืนยันแล้ว จากโพสต์ต้นฉบับบน Mastodon ของเขาเอง
- สิ่งที่ยืนยันไม่ได้ คือ Mythos และ Codex Security ถูกรันในคอนฟิกไหน มี budget เท่าไร เปิด harness แบบใด — Stenberg เห็นแค่ผลลัพธ์ที่ส่งเข้ามา ไม่ได้เป็นคนรัน
- สิ่งที่บล็อกของ Aisle ไม่พูดถึง คือรีลีสเดียวกันนี้ยังมี CVE-2026-13608 (OpenLDAP SASL authentication bypass) ที่เครดิตให้ทีม Autonomous Code Security ของ Microsoft — Aisle ไม่ได้เป็น AI เจ้าเดียวที่หาเจอในรอบนี้
- Aisle ไม่ประกาศอัตรา false positive และไม่บอกว่าใช้โมเดลอะไร ระบบทำงานอย่างไร
และคำเตือนที่ดีที่สุดในเรื่องนี้มาจาก Stenberg เอง เมื่อ 1 ก.ย. เขาโพสต์ว่าในงานสัมมนาเรื่อง CVE ที่ขับเคลื่อนด้วย AI มีผู้บรรยายชี้ว่า จำนวน CVE ที่รายงานกำลังพุ่ง แต่จำนวน exploit จริงไม่ได้พุ่งตาม — ซึ่งเป็นสัญญาณว่าสิ่งที่เพิ่มขึ้นอาจเป็นปริมาณการค้นหา ไม่ใช่ความเสี่ยงที่เพิ่มขึ้นจริง
มุมมอง AI Curator
ประโยคที่ผมคิดว่าจะอยู่นานที่สุดจากข่าวนี้ไม่ใช่ “0 ต่อ 29” แต่เป็น “Aisle is mostly about building harnesses around existing models”
เพราะถ้าประโยคนั้นถูก มันแปลว่าสิ่งที่แยก “หาไม่เจอเลย” ออกจาก “หาเจอ 29 รายการ” ไม่ใช่โมเดล — ทั้งสองฝั่งน่าจะใช้โมเดลระดับใกล้เคียงกัน สิ่งที่ต่างคือชั้นที่อยู่รอบโมเดล: การแบ่งโค้ดเบสยังไง, ให้บริบทอะไรในแต่ละครั้ง, วนซ้ำกี่รอบ, ยืนยันสมมติฐานอย่างไร, ยอมจ่ายเท่าไรต่อการค้นหาหนึ่งครั้ง นั่นคือวิศวกรรม ไม่ใช่ขนาดพารามิเตอร์
และนี่คือจุดที่มันไปบรรจบกับข่าวใหญ่อีกชิ้นของวันนี้อย่างพอดีเกินไป — Google เปิด Gemini 3.8 Flash Cyber โดยไม่ได้ปล่อยเป็นโมเดลเปล่า แต่ปล่อยเป็น “โมเดล + harness ชื่อ CodeMender” และบอกด้วยว่าลูกค้าทั่วไปใช้ CodeMender กับโมเดลสาธารณะได้ พูดอีกแบบ: บริษัทที่ลงทุนกับโมเดลมากที่สุดในโลก ก็มาสรุปเรื่องเดียวกันในสัปดาห์เดียวกัน ว่า harness คือของที่ต้องขายคู่กับโมเดลเสมอ
สำหรับคนที่ต้องตัดสินใจซื้อเครื่องมือ ผมคิดว่านี่เปลี่ยนคำถามที่ควรถามไปเลย จาก “ใช้โมเดลอะไร” เป็น “harness ทำอะไรบ้าง และคุณจ่ายเท่าไรต่อการสแกนหนึ่งครั้ง” เพราะเบนช์มาร์กความสามารถของโมเดลเปล่า ๆ อธิบายผลลัพธ์ที่เกิดขึ้นจริงกับ curl ไม่ได้เลย และเราจะได้เห็นตัวเลขแบบ “โมเดล X ได้ 100% บน ExploitBench” อีกเยอะในปีนี้ — เคสนี้คือหลักฐานว่าตัวเลขแบบนั้นไม่ทำนายผลบนโค้ดจริง
สิ่งที่กระทบไทยและอาเซียนโดยตรง คือฝั่งที่ไม่มีใครพูดถึง: ภาระของ maintainer curl รับ 42 รายงานในสองวัน เทียบกับ 86 รายงานทั้งปี 2024 — และ curl คือโปรเจกต์ที่มีทีม มีกระบวนการ HackerOne มีเงินรางวัล และมี Stenberg ทำเต็มเวลา ลองย้ายภาพนั้นไปที่ไลบรารีที่คนไทยดูแลคนเดียวหลังเลิกงาน หรือแพ็กเกจ NLP ภาษาไทยที่มี maintainer สองคน เมื่อ AI ทำให้ การสร้างรายงานช่องโหว่ มีต้นทุนเกือบเป็นศูนย์ แต่ การตรวจสอบรายงาน ยังต้องใช้เวลาสมองมนุษย์เท่าเดิม สมการนี้ไม่ได้จบที่ “โอเพนซอร์สปลอดภัยขึ้น” มันจบที่ maintainer เลิกทำ
ทางออกเชิงปฏิบัติสำหรับ maintainer ไทยตอนนี้มีสองข้อ ข้อแรก บังคับให้ทุกรายงานมาพร้อม PoC ที่รันได้ ไม่ใช่คำอธิบายลอย ๆ — นี่กรองงานสร้างจากโมเดลออกได้เกือบหมดโดยไม่ต้องแบนอะไรเลย ข้อสอง เขียนนโยบายให้ชัดว่ารายงานที่สร้างด้วย AI ต้องเปิดเผย ซึ่งเป็นทิศทางเดียวกับที่ Debian เพิ่งลงมติไป และควรทำก่อนที่คลื่นจะมาถึง ไม่ใช่หลังจากนั้น
สุดท้าย ข้อดีที่ไม่ควรมองข้าม: หกช่องโหว่นี้ อยู่ใน curl มานาน และตอนนี้ถูกปิดแล้ว curl อยู่ในอุปกรณ์นับพันล้านชิ้นรวมถึงเครื่องในบ้านและในโรงงานทุกที่ในไทย เรื่องนี้จบด้วยผลลัพธ์ที่ดีขึ้นจริง ๆ — แค่ต้องระวังไม่ให้บทเรียนที่จำได้กลายเป็น “AI เก่งขึ้น” ทั้งที่บทเรียนจริงคือ “harness ที่ออกแบบดีชนะโมเดลที่ใหญ่กว่า”
แหล่งข่าว
- curl — curl 8.22.0 release (2 ก.ย. 2026)
- curl — รายการช่องโหว่ทั้งเก้าที่กระทบ 8.21.0 และถูกแก้ใน 8.22.0 (หน้าที่ Stenberg ลิงก์เอง)
- Daniel Stenberg บน Mastodon — เส้นฐาน 24 ส.ค. “Mythos says it can’t find any more”
- Daniel Stenberg บน Mastodon — “Mythos: 0 Aisle: 29” (25 ส.ค.)
- AISLE — AISLE discovered six curl CVEs after OpenAI and Anthropic found zero (2 ก.ย. 2026)
อ่านเพิ่มในหมวด งานวิจัย
Anthropic ให้ Claude สร้างชุดข้อมูลที่ดูไร้พิษภัยแต่ทำโมเดลเบี้ยว ซ่อนในเรื่องเลี้ยงผึ้งและมวยปล้ำ จนผ่านระบบตรวจที่คล้ายของจริง
ทีม Alignment ของ Anthropic ให้ Claude ปีนหาชุดข้อมูล fine-tune ที่หลบ monitor ได้ ผลคือซ่อนพฤติกรรมในงานเขียนแนวบทบาทสมมติ และโมเดลที่เทรนแล้วนำไปใช้ในบุคลิกตัวเอง ผลซ้ำได้บน Qwen 3.6 27B แต่การทดลองเอื้อฝ่ายโจมตีมากและไม่ได้สะท้อนโมเดลที่ใช้งานจริง
Memdoor ทำซ้ำ GVS5H ได้: ทีม Qwen3.8-27B ห้าตัวตามทัน Fable 5 บนโจทย์ LiveCodeBench Hard แต่ผู้ทำบอกเองว่า 'เท่า' ไม่ใช่ 'ชนะ'
Memdoor ปล่อย workflow team-solve ที่เขียนวิธี GVS5H เป็น YAML ล้วนและทำคะแนน 9.8/10 บน LiveCodeBench Hard 10 ข้อ เทียบกับ 8.0 ของ Fable 5 แบบเรียกครั้งเดียว แต่ตัวอย่างเล็กและมีข้อจำกัด ส่วนงานวิจัยต้นฉบับชี้ว่าวิธีนี้ไม่ได้ช่วยทุกโมเดล
QwenPU รัน LLM ซ้อนใน LLM ด้วยหน่วยเวกเตอร์ที่คอมไพล์ลงในน้ำหนัก Qwen3.5-4B ส่วน bootgpt ทำให้เครื่อง 386 บูตเข้าโมเดลภาษาโดยไม่มี OS
ผู้สร้าง Qwenputer ปล่อย QwenPU เมื่อ 31 ต.ค. รัน stories260K ของ Karpathy บนหน่วยเวกเตอร์ที่คอมไพล์ลงในน้ำหนัก Qwen3.5-4B ลดเหลือ 53,000 trace token ต่อหนึ่ง token เรื่องเล่า วันเดียวกัน bootgpt ใส่โมเดล int8 ขนาด 11.5KB ให้บูตบนเครื่อง 386 โดยไม่มี OS