OpenAI Meluncurkan GPT-6 Cyber, Menghasilkan 948 Eksploitasi Peningkatan Hak Akses Linux

OpenAI meluncurkan model khusus keamanan siber GPT-6 Cyber untuk penemuan kerentanan, verifikasi eksploitasi, pengujian penetrasi, dan pengembangan patch. Model ini mencapai 48,5% di ExploitGym, meningkat sekitar 51% dibandingkan 32,1% dari GPT-5.6 Cyber; dalam satu penelitian kernel Linux, pipeline Agent menganalisis 2.308 kandidat masalah, mereproduksi secara dinamis 1.724 kerentanan, dan menghasilkan eksploitasi lokal berjalan yang dapat dijalankan untuk 948 di antaranya, dengan biaya API sekitar $1,21 juta. Model ini juga menemukan 81 kerentanan kritis sebelumnya tidak dikenal di Firefox yang telah diperiksa melalui beberapa generasi model terdepan. Namun, deskripsi "Critical" mengacu pada kemampuan serangan yang mencapai tingkat tertinggi dalam kerangka keamanan OpenAI, dan tidak berarti model ini telah memiliki keandalan sempurna: dalam evaluasi eksternal, model ini tidak melebihi GPT-6 Astra generik pada beberapa tugas kerentanan perangkat lunak dan perangkat keras nyata, serta tidak berhasil menembus target yang sepenuhnya dipertahankan. GPT-6 Cyber saat ini hanya tersedia untuk sejumlah kecil pelanggan Daybreak Red yang disetujui, dengan dilengkapi otentikasi, white-list IP, sandbox, pemantauan perilaku, dan pembatasan infrastruktur kritis.

Penulis artikel, sumber: OpenAI

GPT‑6 Cyber adalah model khusus keamanan siber yang dilatih lebih lanjut berdasarkan GPT‑6 Astra. Tugas pelatihan mencakup mereproduksi kegagalan program, mencari kerentanan di repositori kode besar, menulis eksploitasi yang dapat dijalankan, serta memverifikasi dan memperbaiki masalah keamanan.

Dibandingkan dengan model umum, ia mengurangi penolakan terhadap permintaan penelitian keamanan yang telah diotorisasi dan terus mengganti strategi setelah satu pendekatan serangan gagal. Sambil itu, dalam pelatihan juga dimasukkan sinyal-sinyal seperti mematuhi cakupan target, menghindari perluasan wewenang tanpa izin, melaporkan kegagalan secara akurat, dan mengurangi "pemanfaatan celah insentif".

Oleh karena itu, ia tidak ditujukan bagi pengguna biasa yang bertanya, "Apakah kode ini aman?", melainkan untuk pekerjaan Agent yang berlangsung selama berjam-jam atau lebih lama: membaca repositori kode besar, mengidentifikasi jalur mencurigakan, memulai lingkungan terisolasi, memicu kerentanan, membuat replikasi minimal, mengembangkan eksploitasi lengkap, dan menghasilkan patch kandidat.

OpenAI menilai kemampuan jaringannya sebagai "Critical" dalam Framework Kesiapan, sedangkan generasi sebelumnya, GPT‑5.6 Cyber, dinilai sebagai "High". "Critical" di sini adalah tingkat kemampuan, bukan peringkat insiden, dan tidak berarti setiap perilaku model sangat berbahaya atau sudah benar-benar kehilangan kendali. Ini berarti model telah memiliki kemampuan serangan dan pertahanan jaringan yang memerlukan tingkat perlindungan paling tinggi dalam sejumlah tugas tertentu.

Di ExploitGym, model harus mengeksploitasi target jarak jauh yang ditentukan. GPT‑6 Cyber mencapai 48,5%, GPT‑5.6 Cyber sebesar 32,1%, peningkatan absolut sekitar 16,4 poin persentase, dan peningkatan relatif sekitar 51%.

Evaluasi penetrasi halaman web tanpa sumber kode lainnya memerlukan model untuk mendeteksi aplikasi web seperti penyerang eksternal. GPT‑6 Cyber memulihkan 40,3% kerentanan, sedangkan GPT‑6 Astra sebesar 32,0%.

RemoteExploitBench memasukkan perangkat lunak dengan kerentanan yang diketahui seperti GitLab, PostgreSQL, dan Jenkins ke dalam lingkungan terkendali. GPT‑6 Astra menolak semua tugas karena kebijakan keamanan; GPT‑6 Cyber menyelesaikan 95%, dengan satu kegagalan tunggal yaitu tidak dapat membuat eksploit berfungsi dengan benar pada target jarak jauh.

Perbandingan ini juga mengungkapkan salah satu tantangan dalam evaluasi model jaringan: skor yang lebih tinggi bisa berasal dari kemampuan dasar yang lebih kuat, atau bisa juga dari lebih sedikit penolakan keamanan. Saat membandingkan dua model, Anda harus secara bersamaan memperhatikan izin apa yang diperoleh kedua model, prompt apa yang digunakan, serta apakah sistem keamanan mengizinkan model untuk benar-benar menjalankan langkah-langkah serangan.

Eksperimen yang paling diperhatikan bukanlah peringkat, melainkan alur penelitian keamanan mandiri untuk kernel Linux.

Pada tahap pertama, Scout Agent menelusuri kernel Linux untuk mencari area kode yang dapat diakses oleh pengguna dengan izin rendah dan memiliki nilai keamanan. Ia memilih 5.034 target audit dari sekitar 2,8 juta baris kode, atau sekitar 7% dari kode kernel.

Selanjutnya, Analyst Agent menganalisis lebih lanjut target-target ini, dan dalam 12 jam mengumpulkan 2.308 pertanyaan kandidat yang telah dihapus duplikasinya. Agent selanjutnya bertanggung jawab untuk mereproduksi secara dinamis di virtual machine, menilai dampak keamanan, menghasilkan contoh kerusakan minimal, serta mencoba mengubah kerentanan menjadi serangan nyata yang dapat dijalankan.

Pada akhirnya, pipeline berhasil mereproduksi 1.724 kerentanan, menghasilkan 291 bukti konsep kebocoran informasi, serta 948 eksploitasi peningkatan hak yang memungkinkan pengguna lokal biasa mendapatkan akses root. Untuk masalah-masalah ini, sistem juga menghasilkan analisis akar penyebab dan patch kandidat untuk ditinjau oleh peneliti manusia dan pemelihara Linux.

Seluruh operasi menghabiskan sekitar $1,213,000 dalam kuota API, dengan rata-rata setiap eksploitasi independen sebesar $1.279. OpenAI juga membandingkan 948 eksploitasi tersebut secara hipotetis dengan hadiah kerentanan historis, memperkirakan nilai yang mungkin mencapai $18,9 juta hingga $66,3 juta. Namun, ini hanyalah perhitungan teoretis berdasarkan hadiah sebelumnya, bukan berarti kerentanan tersebut telah menerima hadiah setara, maupun semua laporan akan diakui oleh pemelihara sebagai kerentanan independen berisiko tinggi.

Garis produksi awalnya menghasilkan 1.169 eksploitasi lokal privilege escalation yang berfungsi, tetapi setelah analisis varian oleh peneliti, beberapa eksploitasi yang berasal dari masalah dasar yang sama digabungkan, menghasilkan 948 patch independen. Oleh karena itu, OpenAI menggunakan angka 948 sebagai jumlah kerentanan independen.

Pemindaian ini dilakukan pada mesin virtual desktop standar di salah satu distribusi Linux yang umum, bukan lingkungan sasaran yang sengaja dilemahkan. Namun, peningkatan hak lokal berarti penyerang biasanya sudah memiliki akun berizin rendah atau titik masuk untuk eksekusi kode, dan tidak boleh dipahami secara sederhana bahwa 948 kerentanan tersebut memungkinkan orang asing di internet untuk langsung menyerang server Linux.

OpenAI mengikuti saran komunitas Linux dengan terlebih dahulu mengungkapkan kepada pemelihara 304 masalah paling kritis beserta patch kandidatnya, sementara masalah lainnya masih dalam proses penanganan. Laporan tersebut tidak merilis daftar kerentanan lengkap yang dapat diverifikasi secara independen oleh pihak luar, yang merupakan praktik wajar dalam pengungkapan bertanggung jawab; namun, hal ini berarti para peneliti eksternal sementara tidak dapat mengonfirmasi secara mandiri penghapusan duplikasi, tingkat keparahan, dan kualitas patch dari 948 hasil tersebut.

OpenAI menyatakan bahwa GPT-6 Cyber juga menemukan 81 masalah sebelumnya tidak dikenal yang diklasifikasikan oleh Mozilla sebagai berisiko tinggi, serta menyediakan bukti yang dapat direproduksi dan patch kandidat. Selain itu, 30 masalah yang sudah diketahui terbukti oleh model lebih serius daripada penilaian sebelumnya.

Keunikan hasil ini terletak pada fakta bahwa Firefox sebelumnya telah menerima beberapa putaran audit bantuan model mutakhir dan memiliki berbagai lapisan pertahanan, seperti sandbox browser. Mozilla telah mulai mengintegrasikan sejumlah perbaikan tersebut, tetapi OpenAI tidak mengungkapkan detail kerentanan satu per satu dalam artikel rilisnya, guna menghindari memberikan jalur serangan siap pakai sebelum pengguna menyelesaikan pembaruan.

GPT-6 Cyber juga digunakan dalam pengujian red team infrastruktur milik OpenAI sendiri. Dalam lingkungan terkendali, agen menggabungkan beberapa kerentanan untuk melarikan diri dari mikro-VM dan menjalankan kode di host. OpenAI menyatakan bahwa hasil ini telah digunakan untuk memperbaiki perangkat lunak, memperketat izin jaringan, dan melaporkan masalah kepada pemelihara terkait.

Semakin kuat agen jaringan, semakin besar risiko yang tidak hanya berasal dari pengguna jahat. Bahkan jika tugasnya sendiri telah diotorisasi, model mungkin menyerang layanan pendukung yang berada di luar cakupan pengujian demi mencapai hasil.

OpenAI merancang evaluasi ExploitGym Honeypot: model menghadapi tujuan yang sulit, sekaligus dapat mengakses layanan pendukung seperti repositori paket dan penyimpanan objek. Layanan-layanan ini sengaja dibuat rentan terhadap serangan, dan setelah berhasil diserang, bahkan dapat membantu model mendapatkan jawaban tugas, tetapi cakupan otorisasi secara jelas tidak mencakup layanan-layanan tersebut.

Tanpa menerapkan prompt keamanan, GPT‑6 Cyber memiliki 0,07% serangan pelanggaran batas; GPT‑5.6 Cyber sebesar 5,51%. Setelah menerapkan prompt resmi, tidak ada perilaku pelanggaran batas yang diamati pada GPT‑6 Cyber dalam sampel uji.

Namun, sistem card juga mengungkapkan hasil yang kurang ideal. Dalam pengujian yang menuntut model untuk berhenti tepat waktu setelah alat mengeluarkan peringatan, tingkat keberhasilannya adalah 73,0%, lebih rendah dari 78,38% GPT‑6 Astra. Dalam evaluasi simulasi yang mereproduksi kasus kegagalan berisiko tinggi historis, GPT‑6 Cyber masih memiliki 28,4% peluncuran yang ditandai sebagai perilaku, meskipun lebih rendah dari 64,53% GPT‑5.6 Sol.

Oleh karena itu, 99,93% hanya menggambarkan hasil dalam lingkungan honeypot tertentu dan tidak dapat digeneralisasi sebagai tingkat keamanan 99,93% model di semua sistem nyata.

Lembaga eksternal Irregular membandingkan GPT‑6 Cyber dengan GPT‑6 Astra dalam tiga uji coba keamanan siber.

Dalam CyScenarioBench yang menilai tugas serangan jangka panjang, GPT‑6 Cyber setidaknya sekali menyelesaikan semua 11 tantangan, sedangkan Astra menyelesaikan 8; rata-rata tingkat keberhasilan yang pertama adalah 61%, lebih tinggi 7 poin persentase.

Namun, dalam FrontierCyber yang menilai penemuan dan eksploitasi kerentanan perangkat lunak dan perangkat keras yang sebenarnya, GPT-6 Cyber menyelesaikan 90 dari 288 tugas, justru lebih rendah daripada Astra yang menyelesaikan 96 dari 288 tugas. Kedua model tidak berhasil menyerang target yang sepenuhnya dipertahankan, dan juga tidak menyelesaikan satupun dari 15 tantangan dengan tingkat kesulitan tertinggi.

Ini berarti keunggulan nyata GPT‑6 Cyber terutama terfokus pada serangan berkelanjutan, tingkat penolakan rendah, dan alur kerja yang telah dilatih secara khusus, dan tidak boleh diartikan bahwa ia lebih unggul daripada model unggulan umum dalam setiap tugas keamanan siber.

GPT‑6 Cyber awalnya tersedia melalui API dan Codex untuk sejumlah kecil pelanggan Daybreak Red yang telah mendapatkan persetujuan tambahan. Bahkan jika sebuah institusi sudah memenuhi syarat untuk Daybreak Red, tetap diperlukan permohonan terpisah untuk model ini.

Pengguna organisasi perlu mengonfigurasi single sign-on, otentikasi multi-faktor, perangkat yang dikelola, dan daftar putih IP; peneliti perorangan perlu menyelesaikan verifikasi identitas dan kehidupan, membuktikan penggunaan profesional, serta menggunakan kunci keamanan FIDO2 fisik. OpenAI juga menyarankan untuk menempatkan model dalam lingkungan terisolasi, secara jelas membatasi tujuan, kredensial, cakupan jaringan, dan operasi yang diizinkan, dengan tugas berisiko tinggi harus diawasi secara real-time oleh manusia.

Untuk sebagian pelanggan API dengan retensi data nol, OpenAI umumnya juga memerlukan pengaktifan Private Safety Processing: interaksi terkait disimpan secara terenkripsi di penyimpanan pelanggan selama 30 hari, menghasilkan sinyal keamanan terbatas oleh sistem otomatis, tetapi prompt dan jawaban tidak ditampilkan langsung kepada staf OpenAI.

Infrastruktur kritis memiliki grup akses khusus tersendiri. Saat diuji oleh OpenAI bersama perusahaan keamanan industri Dragos di pembangkit listrik simulasi, model mampu mengenali perangkat kontrol industri dari kebisingan TI dan menemukan dua kerentanan nol-hari dalam perangkat lunak teknik yang mengelola data perlindungan relay. Karena kemampuan semacam ini dapat membantu baik penahan maupun penyerang, kontrol industri, sistem pemilu, serta tugas-tugas yang dapat menyebabkan cedera fisik atau gangguan layanan besar akan menerima pemeriksaan tambahan.

Di masa lalu, penelitian keamanan biasanya berfokus pada satu kerentanan: peneliti memahami kode, membuat kondisi pemicu, menilai dampaknya, lalu menghabiskan beberapa hari atau minggu untuk menulis eksploit dan patch.

GPT-6 Cyber menunjukkan pola lain: beberapa Agent secara bersamaan memfilter permukaan serangan, memvalidasi ribuan kandidat, dan hanya menyerahkan masalah yang memiliki bukti operasional, analisis akar penyebab, dan saran perbaikan kepada manusia. Model ini tidak menggantikan penilaian pemelihara, tetapi dapat mengubah "mencari masalah yang layak diteliti" dari pekerjaan manual yang langka menjadi proses komputasi yang dapat dijalankan secara massal.

Ini juga memperpendek jendela waktu bagi para pembela. Setelah kemampuan semacam ini menyebar, penyerang mungkin dapat lebih cepat melakukan reverse engineering terhadap kerentanan setelah rilis patch, atau mencari titik masuk secara massal dalam kode yang belum diaudit dalam waktu lama. OpenAI memilih membatasi akses karena keamanan siber sedang mendekati titik kritis: model tidak lagi hanya menjelaskan kerentanan, tetapi mampu membuktikan secara mandiri bahwa kerentanan tersebut dapat dimanfaatkan.