Daybreak udvides, mens vinduet for cyberforsvar indsnævres

Cybersikkerhedsverdenen ændrer sig hurtigt – trusselsaktører vil i stigende grad bruge AI til at udføre cyberangreb med hidtil uset hastighed og skala, herunder fuldautomatisk. Efterhånden som disse kapaciteter udbredes, får forsvarerne stadig mindre tid til at forberede sig. Vores svar er at give betroede forsvarere overalt adgang til banebrydende intelligens, før angribere udruller offensive AI-kapaciteter i stor skala.

Vi udvider OpenAI Daybreak med to adgangsniveauer, der skal give godkendte forsvarere de rette kapaciteter til deres arbejde:

• Daybreak Blue giver adgang til banebrydende modeller til generelle formål, herunder GPT‑5.6 Sol, med sikkerhedsforanstaltninger tilpasset godkendt defensivt sikkerhedsarbejde. Det er det anbefalede udgangspunkt for de fleste forsvarere og understøtter opdagelse af sårbarheder, sikker kodegennemgang, malwareanalyse, hændelseshåndtering og validering af programrettelser.
• Daybreak Red giver adgang til vores specialtrænede cybersikkerhedsmodeller til godkendt sårbarhedsforskning, validering af exploits og sikkerhedstest.

Vi introducerer også GPT‑5.6‑Cyber, som er tilgængelig via Daybreak Red. Modellen bygger på GPT‑5.6 Sol og er trænet til at forbedre kapaciteterne inden for flere specialiserede cybersikkerhedsopgaver, f.eks. at finde zero-day-sårbarheder og udvikle exploitkæder, samt til at afvise færre cyberopgaver med højere risiko og dobbelt anvendelse.

Daybreak frigør avancerede cyberkapaciteter

Som vi tidligere har fortalt⁠, leverer GPT‑5.6 Sol førende resultater inden for cybersikkerhedsopgaver. I produktion anvender vi sikkerhedsforanstaltninger på systemniveau til at kontrollere cybersikkerhedsrelaterede anmodninger og forhindre misbrug, men de kan også blokere legitimt defensivt arbejde. Adgang til Daybreak Blue fjerner disse værn og hjælper forsvarere med at få mere ud af modellen i praktiske sikkerhedsopgaver, herunder registrering og håndtering af hændelser, undersøgelser, sårbarhedsstyring og sikkerhedsvurderinger.

Selv uden værn på systemniveau findes der stadig cybersikkerhedsprompts med udpræget dobbelt anvendelse, f.eks. penetrationstest af produktionssystemer, som GPT‑5.6 Sol vil afvise. Derfor trænede vi GPT‑5.6‑Cyber, som er tilgængelig via Daybreak Red, til at afvise færre anmodninger og levere bedre resultater på visse opgaver. GPT‑5.6‑Cyber hjælper betroede forsvarere med at udføre legitime sikkerhedsaktiviteter.

For at måle den lavere afvisningsrate, som GPT‑5.6‑Cyber giver via Daybreak Red, udviklede vi en intern evaluering (Advanced Cybersecurity Completion Rate), der måler, hvor ofte modeller besvarer anmodninger om udvikling af exploitkæder, omgåelse af godkendelse, rettighedsforøgelse og andre avancerede cybersikkerhedsscenarier¹. GPT‑5.6‑Cyber gennemfører 95,0 % af disse anmodninger mod kun 1,5 % for GPT‑5.6 Sol og 2,0 %, når GPT‑5.6 Sol bruges med Daybreak Blue-adgang. Den gennemfører også flere anmodninger end GPT‑5.5‑Cyber, som kun gennemfører 57,3 %, og imødekommer dermed tilbagemeldinger fra sikkerhedsforskere, der oplevede vedvarende afvisninger med den tidligere model.

Nedenfor viser vi en række cybersikkerhedsprompts og de tilhørende modelsvar fra GPT‑5.6 Sol med værn på systemniveau, GPT‑5.6 Sol (Daybreak Blue), GPT‑5.5‑Cyber (Daybreak Red) og GPT‑5.6‑Cyber (Daybreak Red).

Bedre resultater inden for cybersikkerhed

GPT‑5.6‑Cyber‑modellen er trænet til at forbedre resultaterne i bestemte cybersikkerhedsarbejdsgange, der omfatter exploitudvikling og avanceret sikkerhedsforskning. På ExploitGym², som evaluerer, om agenter kan omdanne kendte sårbarheder til fungerende exploits, der opnår vilkårlig kodekørsel i kontrollerede miljøer, klarer GPT‑5.6‑Cyber sig bedre end både GPT‑5.6 Sol og GPT‑5.5 Cyber.

Et andet område, som GPT‑5.6‑Cyber skal forbedre, er evnen til at finde nye zero-day-sårbarheder og vurdere deres alvor korrekt. Vi oprettede et internt evalueringsdatasæt, hvor modellerne får den aktuelle udgave af et open source-lager. Derefter beder vi dem generere proof-of-concept-exploits med størst mulig effekt samt en teknisk beskrivelse af deres fund. Modellerne evalueres ud fra fundenes alvor og effekt samt kalibreringen og kvaliteten af den ledsagende tekniske beskrivelse. GPT‑5.6‑Cyber (Daybreak Red) klarede sig bedre end GPT‑5.6 Sol (Daybreak Blue) på dette benchmark takket være sin specialiserede træning.

Vi evaluerede også GPT‑5.6‑Cyber med vores interne evaluering af sårbarhedsopdagelse og rapportskrivning, hvor en agent får et åbent prompt om at finde sårbarheder i et lager med en kendt sårbarhed. Modeller får point i evalueringen ved at finde alvorlige sårbarheder, der kan handles på, uanset om de er nye eller kendte, udvikle et fungerende proof of concept og indsende en sårbarhedsrapport af høj kvalitet. Både GPT‑5.6 Sol og GPT‑5.6‑Cyber forbedrer sig i forhold til GPT‑5.5‑Cyber. GPT‑5.6‑Cyber klarer sig dårligere end GPT‑5.6 Sol i denne evaluering, hvilket vi mener skyldes, at modellen undertiden udarbejder kortere og mindre detaljerede sårbarhedsrapporter.

Endelig målte vi kapaciteten til exploitudvikling med ExploitBench³, en evaluering af en agents evne til at udvikle en V8-sårbarhed til et fuldt exploit. Denne exploitopgave er sværere end ExploitGym – flere defensive beskyttelser, såsom V8-sandkassen, forbliver aktiveret, og agenten får færre oplysninger om den sårbarhed, der skal udnyttes. I standardopsætningen, som begrænser agenter til 300 trin, løser GPT‑5.6 Sol (Daybreak Blue) opgaverne mere tokeneffektivt og klarer sig bedst. Hvis vi udvider standardopsætningen fra 300 til 600 trin, mindskes forskellen mellem de to modellers ydeevne.

Ud over resultaterne fra evalueringsbenchmarks gav vi også en gruppe betroede kundepartnere tidlig adgang til GPT‑5.6‑Cyber. Disse kunder har med stor succes brugt modellerne til at sætte fart på deres defensive arbejdsgange:

Sådan finder og retter vi sårbarheder i software fra den virkelige verden

GPT‑5.6‑Cybers kapaciteter rækker ud over resultater på forskningsbenchmarks og omfatter praktisk sårbarhedsforskning. Praktisk sårbarhedsforskning kræver ofte vedvarende ræsonnering på tværs af store, ukendte kodebaser. Forskere skal opstille og afprøve hypoteser, spore samspillet mellem flere komponenter, genskabe uventet adfærd og afgøre, om en formodet sårbarhed kan udnyttes i praksis.

Siden træningen af GPT‑5.6‑Cyber‑modellen blev afsluttet, har vi brugt den til at undersøge og forbedre udvalgte softwareprojekter grundigt. Vi brugte eksempelvis GPT‑5.6‑Cyber til at undersøge V8, den JavaScript-motor, som Chrome anvender. Vi afdækkede to hidtil ukendte sårbarheder, der kunne kædes sammen for at beskadige hukommelsen og undslippe V8's heap-sandkasse. Vores forskere validerede fundene og rapporterede dem til Google gennem koordineret offentliggørelse af sårbarheder. Google rettede sårbarheden og tildelte den betegnelsen CVE-2026-15903.

CVE-2026-15903 er en meget alvorlig sårbarhed i V8, Chromes JavaScript-motor. Den optimerende compiler sprang fejlagtigt en sikkerhedskontrol over ved konvertering af værdier til heltal, så udefinerede værdier kunne skabe et uventet stort tal i stedet for det forventede resultat.

Hvis dette tal bruges som et arrayindeks, kan compileren fejlagtigt antage, at det ligger inden for arrayets grænser, og udelade den sædvanlige grænsekontrol. En angriber kan derefter læse eller overskrive hukommelse, der tilhører andre objekter, og potentielt køre vilkårlig kode i Chromes sandkasse. En flugt fra heap-sandkassen ville normalt kræve endnu en sårbarhed, som GPT‑5.6‑Cyber også fandt. Diagrammet nedenfor giver et overblik over denne meget alvorlige sårbarhed.