Una prueba de ciberseguridad de dos horas y con un costo de 1,500 dólares puso en confrontación a los principales modelos LLM contra una aplicación Android hackeada que contenía credenciales de Firebase expuestas. El aún no lanzado GPT-5.5 obtuvo un 70% de éxito en las tentativas, pero costaba 9.46 dólares por intento. DeepSeek V4Pro, de código abierto, tuvo un 30% de éxito y solo costaba 0.62 dólares por intento, lo que representa una gran eficiencia en términos de costo para las auditorías de seguridad automatizadas. Google Gemini rechazó todas las tareas; los modelos Claude lograron completar dos tareas gracias a sus medidas de protección excesivamente estrictas.