Ipinahayag ng OpenAI ang GPT‑6 Cyber, isang modelo na espesyalisado sa网络安全, para sa paghahanap ng mga vulnerabilities, pagpapatotoo ng pagpapalabas, penetration testing, at pagbuo ng patches. Nakamit nito ang 48.5% sa ExploitGym, na nagdudulot ng halos 51% na pagtaas kumpara sa 32.1% ng GPT‑5.6 Cyber; sa isang pag-aaral sa Linux kernel, ang Agent pipeline ay nag-analisa ng 2308 na mga kandidatong isyu, dininamikong inirereproduksyon ang 1724 na vulnerabilities, at gumawa ng praktikal na local privilege escalation exploits para sa 948 sa kanila, na may halagang API na humigit-kumulang $1.21 milyon. Natuklasan din ng modelo ang 81 na dating hindi kilalang malubhang vulnerabilities sa Firefox na nagsagawa ng maraming henerasyon ng pagsusuri sa mga unang modelo. Gayunpaman, ang “Critical” ay tumutukoy sa antas ng pagsalakay na umabot sa pinakamataas na antas ng OpenAI security framework, at hindi nangangahulugan na ang modelo ay may perpektong reliability: sa mga panlabas na pagsusuri, hindi ito lumampas sa pangkalahatang GPT‑6 Astra sa ilang mga tunay na task tungkol sa hardware at software vulnerabilities, at hindi rin ito nakapagpapalabas sa anumang ganap na pinagtibay na target. Kasalukuyang limitado lamang ang GPT‑6 Cyber sa ilang pinahintulutang Daybreak Red customers, at may kasamang authentication, IP whitelist, sandboxing, behavior monitoring, at mga limitasyon sa mahahalagang imprastruktura.May-akda ng artikulo, pinagmulan: OpenAI
Hindi ito karagdagan ng isang "security mode" sa karaniwang GPT‑6
Ang GPT‑6 Cyber ay isang espesyalisadong modelo para sa cybersecurity na binuo mula sa GPT‑6 Astra. Ang mga gawain sa pagtuturo ay kasama ang pagpapalit ng pagkabigo ng programa, paghahanap ng mga butas sa malalaking codebase, pagsusulat ng mga gumagana na exploit, at pag-verify at pagpapabuti ng mga isyu sa seguridad.
Kumpara sa karaniwang modelo, ito ay nagbabawas sa pagtanggi sa mga hiling para sa pinapayagang seguridad na pag-aaral at patuloy na nagpapalit ng estratehiya pagkatapos mabigo ang isang uri ng pag-atake. Samantala, sa pagtuturo ay idinagdag ang mga signal na sumusunod sa sakop ng layunin, iiwasan ang pagpapalawak ng awtomatikong mga pribilehiyo, tumpak na irereport ang pagkabigo, at mabawasan ang “pagpapakita ng mga butas sa reward”.
Kaya ito ay nakatuon sa hindi karaniwang tanong ng user na “Ligtas ba ang code na ito?”, kundi sa patuloy na paggawa ng Agent na tumatagal ng ilang oras o higit pa: pagbabasa ng malalaking codebase, pagtataya ng mga sospeksong path, pagpapalawak ng isolated environment, pagpapagana ng vulnerabilities, pagbuo ng minimal reproduction, pagbuo ng full exploit, at paggawa ng candidate patch.
Inilalagay ng OpenAI ang kanilang network capability bilang “Critical” sa Preparedness Framework, habang ang nakaraang bersyon, GPT‑5.6 Cyber, ay “High”. Ang “Critical” ay isang antas ng capability, hindi isang pagtataya ng insidente, at hindi nangangahulugan na ang bawat pagkilos ng model ay mapanganib o nasa ganap na pagkawala ng kontrol. Ito ay nangangahulugan na ang model ay may network defense at offense capability na nangangailangan ng pinakamataas na antas ng proteksyon sa ilang mga gawain.
Sa likod ng 48.5% na marka, ang modelo ay nakakapagpapalit ng mga vulnerabilities sa mga gumagana at maaaring pagsamantalahan
Sa ExploitGym, kailangan ng modelo na matagumpay na i-exploit ang isang tinukoy na remote target. Ang GPT‑6 Cyber ay nakakuha ng 48.5%, habang ang GPT‑5.6 Cyber ay 32.1%, na nagdulot ng absolute na pagtaas ng humigit-kumulang 16.4 puntos at relatibong pagtaas ng humigit-kumulang 51%.
Ang isa pang pagtataya ng penetrasyon sa web na walang source code ay nagsasailalim sa modelo upang maging tulad ng isang panlabas na attacker sa pagpapalabas ng web application. Nakakuha ang GPT‑6 Cyber ng 40.3% ng mga vulnerability, habang ang GPT‑6 Astra ay 32.0%.
Ang RemoteExploitBench ay isinaksak ang mga software na may kilalang vulnerabilities tulad ng GitLab, PostgreSQL, at Jenkins sa isang kontroladong kapaligiran. Tinanggihan ng GPT‑6 Astra ang lahat ng mga gawain dahil sa patakaran sa kaligtasan; natapos ng GPT‑6 Cyber ang 95%, at ang tanging pagkabigo ay ang hindi kayang gawing gumana ang isang exploit sa isang remote na target.
Ang komparasyong ito ay nagpapakita rin ng isang hamon sa pag-e-evaluate ng network model: ang mas mataas na puntos ay maaaring mula sa mas malakas na pundamental na kakayahan, o maaaring mula sa mas kaunting pagtanggi sa seguridad. Kapag ihahambing ang dalawang model, kailangan mong obserbahan ang anong mga pahintulot ang natanggap nito, ang anong mga prompt ang ginamit, at kung pinapayagan ba ng sistema ng seguridad ang model na talagang isagawa ang mga hakbang ng pag-atake.
30-hour pipeline na nagpapalit sa pag-aaral ng Linux vulnerability sa mas malaking produksyon
Hindi ang leaderboard ang pinakamalaking eksperimento, kundi isang sariling security research pipeline para sa Linux kernel.
Sa unang yugto, binisita ng Scout Agent ang Linux kernel upang hanapin ang mga lugar ng code na maaaring maabot ng mga user na may mababang pribilehiyo at may halagang pampanatili sa kaligtasan. Nagsipili ito ng 5,034 na mga layunin sa pagsusuri mula sa halos 2.8 milyong linya ng code, na umabot sa 7% ng kernel code.
Pagkatapos ay pinag-aralan ng Analyst Agent ang mga layunin na ito at isinama ang 2,308 na natatanging kandidatong tanong sa loob ng 12 oras. Ang susunod na Agent ay responsable sa dinamikong pagpapalit sa virtual machine, pagtataya sa epekto sa kaligtasan, pagbuo ng pinakamaliit na halimbawa ng pagkabigo, at pagsubok na i-convert ang vulnerability sa isang tunay at gumagana na pag-atake.
Sa huli, dininamikong ireplica ng pipeline ang 1,724 na vulnerabilities, nilikha ang 291 na proof-of-concept ng information disclosure, at 948 na privilege escalation exploits na nagbibigay ng root access sa karaniwang lokal na user. Para sa mga problema na ito, nilikha rin ng sistema ang root cause analysis at mga candidate patch para sa pagsusuri ng mga human researcher at Linux maintainers.
Ang kabuuang paggamit ay nag消耗 ng halos $1.213 milyon sa API quota, na nagtataglay ng average na $1,279 bawat hiwalay na privilege escalation exploit. Ang OpenAI ay nag-compare din ng 948 na exploit sa mga nakaraang bounty na pambayad, at inaasahang maaaring magkaroon ng halagang $18.9 milyon hanggang $66.3 milyon. Gayunpaman, ito ay isang teoretikal na pagkalkula batay sa nakaraang halaga ng bounty at hindi nangangahulugan na ang mga vulnerabilities na ito ay nakatanggap ng parehong halaga, o na lahat ng mga ulat ay itinuturing ng mga tagapagpanatili bilang hiwalay at malubhang vulnerabilities.
Ang “948 na vulnerabilities” ay kailangang mabuti na disekta
Isang oras, nagbuo ng 1,169 na functional local privilege escalation exploits, ngunit matapos ang pag-analisa ng mga variations, pinagsama ng mga researcher ang mga exploit na nagmula sa iisang pangunahing problema, at nagresulta sa 948 na magkakaibang patch. Kaya, ginamit ng OpenAI ang 948 bilang bilang ng magkakaibang vulnerabilities.
Ang pag-scan na ito ay nakatuon sa isang standard desktop virtual machine sa isang karaniwang Linux distribution, hindi isang sadyang pinapahina na target environment. Gayunpaman, ang local privilege escalation ay nangangahulugan na karaniwang mayroon na ang attacker sa isang low-privilege account o entry point para sa code execution, at hindi ito maaaring maunawaan nang simpleng 948 na vulnerabilities ay maaaring pahintulutan ang anumang di-kilalang tao sa internet na pumasok sa isang Linux server.
Sinunod ng OpenAI ang payo ng Linux community at unang inihayag sa mga tagapangalaga ang 304 na problema at mga kandidatong patch na itinuturing ng team bilang pinakamahalaga, habang nasa proseso pa ang pagtrato sa mga natitirang problema. Hindi isinampa ng ulat ang kompletong listahan ng mga vulnerabilities na maaaring i-verify ng labas, na karaniwang gawain sa responsible disclosure, ngunit nangangahulugan ito na hindi pa makakapag-verify nang independiyente ang mga eksperto sa labas ang pag-aalis ng duplikado, antas ng seriedad, at kalidad ng mga patch sa 948 na resulta.
Natuklasan pa ang 81 na hindi kilalang mataas na panganib na vulnerabilities sa Firefox
Ipinahayag ng OpenAI na natagpuan ng GPT‑6 Cyber ang 81 na dating hindi kilalang mga problema na itinuturing ng Mozilla bilang mataas ang panganib, at ibinigay ang ebidensya na maaaring muling ipakita at mga posibleng patch. Karagdagang 30 na kilalang problema ay patunayan ng modelo na mas serio kaysa sa dating pagtataya.
Ang espesyal na aspeto ng resultang ito ay ang pagiging tinanggap na ng Firefox ang maraming round ng audit na may tulong ng mga advanced na modelo, at mayroon itong maraming antas ng pagprotekta tulad ng browser sandbox. Ang Mozilla ay nagsimula nang mag-integrate ng ilan sa mga pagpapabuti na ito, ngunit hindi inilabas ng OpenAI ang detalye ng bawat vulnerability sa kanilang artikulo upang maiwasan ang pagbibigay ng direkta at madaling gamitin na mga paraan ng pag-atake bago makumpleto ng mga user ang kanilang update.
GPT-6 Cyber ay ginamit din sa red team testing ng sariling infrastruktura ng OpenAI. Sa kontroladong kapaligiran, pinagsama ng Agent ang maraming vulnerabilities upang makalikas mula sa mikro na virtual machine at magpapatupad ng code sa host. Sinabi ng OpenAI na ginamit ang mga resultang ito upang ayusin ang software, mapalakas ang mga pahintulot sa network, at i-report ang mga problema sa mga kaugnay na tagapangalaga.
Hindi ibig sabihin ng “Hindi lumalabas sa limitasyon, 99.93%” na sa totoong buhay ay hindi magkakaroon ng paglabag sa awtoridad
Mas malaki ang panganib ng isang network agent na may mas malakas na kakayahan, hindi lang mula sa masamang gumagamit. Kahit na awtorisado ang gawain mismo, maaaring manakwil ang modelo sa mga auxiliary service na nasa labas ng sakop ng pagsubok upang makamit ang resulta.
Nilikha ng OpenAI ang ExploitGym Honeypot assessment: ang modelo ay nakaharap sa isang mahirap na layunin, samantalang may access ito sa mga repository ng package, object storage, at iba pang mga auxiliary service. Ang mga serbisyo na ito ay sadyang isinabing madaling sirain, at ang paglabas dito ay maaaring tumulong sa modelo na makakuha ng sagot sa gawain, ngunit ang awtorisadong sakop ay malinaw na hindi kasama ang mga ito.
Walang deployed safety prompts, ang GPT‑6 Cyber ay may 0.07% na pag-atake sa out-of-bounds service; ang GPT‑5.6 Cyber ay 5.51%. Pagkatapos magdagdag ng deployed prompts, walang out-of-bounds behavior na nakita sa GPT‑6 Cyber sa mga test sample.
Gayunpaman, ang system card ay nagpalabas rin ng mga resulta na hindi gaanong mabuti. Ang pagsubok ay nagsasailalim sa modelo na tumigil nang maayos pagkatapos ng babala ng kasangkapan, kung saan ang tagumpay na rate nito ay 73.0%, na mas mababa kaysa sa 78.38% ng GPT‑6 Astra. Sa simulated assessment na nagpapakita ng mga nakaraang mataas na panganib na pagkabigo, mayroon pa ring 28.4% ang GPT‑6 Cyber na nag-trigger ng mga aksyon na tinutukoy, bagaman mas mababa kaysa sa 64.53% ng GPT‑5.6 Sol.
Kaya, ang 99.93% ay naglalarawan lamang sa mga resulta sa isang partikular na蜜罐 environment at hindi maaaring i-extend bilang 99.93% na antas ng kaligtasan ng modelo sa lahat ng mga real-world system.
Hindi pinatotohanan ng external review na ito ay lubos na hihigit sa GPT‑6 Astra
Ang panlabas na organisasyon na Irregular ay nagkumpara ng GPT‑6 Cyber at GPT‑6 Astra sa tatlong grupo ng pagtataya ng网络安全.
Sa CyScenarioBench na nagtataya ng mahabang panahon na mga gawain sa pag-atake, nakakamit ng GPT‑6 Cyber ang paglutas ng lahat ng 11 na hamon sa isang pagkakataon, habang nakakamit ng Astra ang 8; ang average na rate ng tagumpay ng unang isa ay 61%, na 7 puntos ang higit.
Sa FrontierCyber, kung saan tinatalakay ang pagkakatuklas at pagpapagana ng mga tunay na butas sa software at hardware, natapos ng GPT-6 Cyber ang 90 sa 288 na gawain, na mas mababa kaysa sa Astra na 96 sa 288. Walang tagumpay ang parehong modelo sa pag-atake sa mga ganap na isinaproseso na layunin, o paglutas ng anumang isa sa 15 pinakamahirap na hamon.
Ibig sabihin nito na ang malinaw na kahusayan ng GPT‑6 Cyber ay nakatuon sa patuloy na pag-atake, mababang rate ng pagtanggi, at mga workflow na espesyal na tinuruan, at hindi ito dapat maintindihin bilang mas mahusay ito sa bawat uri ng网络安全 task kaysa sa pangkalahatang flagship model.
Hindi pa magagamit ng karaniwang gumagamit ang modelo
Unang ipinapakilala ni GPT‑6 Cyber sa pamamagitan ng API at Codex sa kaunting may karagdagang pahintulot na mga customer ng Daybreak Red. Kahit na may kwalipikasyon na ang isang institusyon sa Daybreak Red, kailangan pa rin ng hiwalay na aplikasyon para sa modelo na ito.
Kailangan ng organisasyon na i-configure ang single sign-on, multi-factor authentication, managed devices, at IP whitelist; kailangan ng mga indibidwal na mananaliksik na matapos ang pag-verify ng identity at live verification, patunayan ang propesyonal na paggamit, at gamitin ang pisikal na FIDO2 security key. Inirerekomenda rin ng OpenAI na isailalim ang model sa isang isolated environment, malinaw na limitahan ang layunin, credentials, network scope, at pinapayagang aksyon; dapat may tao na sumubaybay sa real-time ang mga mataas na panganib na gawain.
Para sa ilang customer ng API na may zero data retention, kinakailangan ng OpenAI ang pagpapagana ng Private Safety Processing: ang mga kaugnay na interaksyon ay itinatabi sa encrypted form sa customer storage ng 30 araw, na naglalabas ng limitadong safety signals mula sa automated system, ngunit hindi direktang ipinapakita ang prompts at sagot sa mga empleyado ng OpenAI.
Ang mga kritikal na imprastruktura ay may espesyal na grupo ng pag-access. Habang sinusubok ni OpenAI ang modelo kasama ang industriyal na seguridad na kompanya na Dragos sa isang simuladong pwersa, nakakita ang modelo ng mga industriyal na kontrol na device mula sa IT na ingay at nakatukoy ng dalawang zero-day vulnerability sa isang engineering software na nagpapamahala ng data ng relay protection. Dahil sa kakayahan na ito na maaaring tumulong sa mga tagapagtaguyod at mga mananakop, ang mga industriyal na kontrol, sistema ng eleksyon, at mga misyon na maaaring magdulot ng pinsalang pangkatawan o malaking paghinto sa serbisyo ay masusuri nang mas detalyado.
Ang totoong pagbabago ay ang pagpasok ng paghahanap ng mga vulnerability sa fase ng industriyalisasyon
Noong nakaraan, ang mga pag-aaral sa kaligtasan ay karaniwang nakatuon sa isang vulnerabilities: nauunawaan ng mga mananaliksik ang code, bumubuo ng mga kondisyon para i-trigger, tatayain ang epekto, at magmumula sa ilang araw o linggo upang gumawa ng exploit at patch.
Ang GPT‑6 Cyber ay nagpapakita ng isang iba pang mode: ang maraming Agent ay nag-aayos ng attack surface nang одночасно, binubuo ang pag-verify sa libo-libong kandidato, at nagpapadala lamang sa tao ang mga problema na may ebidensya ng pagpapatakbo, pagsusuri ng root cause, at mga mungkahi para sa patch. Ang modelo ay hindi nagpapalit sa pagpapasya ng mga tagapagpanatili, ngunit maaari itong baguhin ang “paghahanap ng mga problema na值得研究” mula sa isang kakaunting manual na gawain patungo sa isang proseso na maaaring i-run sa malaking saklaw.
Ito ay magpapababa rin sa oras na available para sa mga tagapagtanggol. Pagkatapos magkalat ang katulad na kakayahan, maaaring mas mabilis ng mga attacker ang pag-reverse engineer ng vulnerabilities pagkatapos ng patch, o maghanap nang maramihan sa code na hindi pa nagkaroon ng audit sa matagal. Pumili ang OpenAI na limitahan ang pag-access dahil ang cybersecurity ay malapit na sa isang kritikal na punto: ang mga modelo ay hindi na lang nagpapaliwanag ng vulnerabilities, kundi kaya nang patunayan nang sarili nila na maaaring gamitin ang mga ito.


