Daybreak ausbauen, während das Zeitfenster zur Cyberabwehr schrumpft

Die Cybersicherheitslandschaft verändert sich rasant. Bedrohungsakteur:innen werden KI zunehmend nutzen, um Cyberangriffe in beispielloser Geschwindigkeit und Größenordnung auszuführen, auch vollständig autonom. Mit der Verbreitung dieser Fähigkeiten bleibt den Verteidigungsteams immer weniger Zeit, sich vorzubereiten. Unsere Antwort darauf: Wir geben vertrauenswürdigen Verteidigungsteams überall Zugriff auf Frontier-Intelligenz, bevor Angreifer:innen offensive KI-Fähigkeiten in großem Maßstab einsetzen.

Wir erweitern OpenAI Daybreak um zwei Zugriffsstufen, damit zugelassene Verteidigungsteams die passenden Fähigkeiten für ihre Arbeit erhalten:

• Daybreak Blue bietet Zugriff auf universell einsetzbare Frontier-Modelle, darunter GPT‑5.6 Sol, mit speziell auf autorisierte defensive Sicherheitsarbeit zugeschnittenen Schutzmaßnahmen. Für die meisten Verteidigungsteams ist dies der empfohlene Einstieg. Unterstützt werden die Suche nach Schwachstellen, sichere Codeprüfungen, Malwareanalysen, die Reaktion auf Sicherheitsvorfälle und die Validierung von Patches.
• Daybreak Red bietet Zugriff auf unsere speziell trainierten Cybersicherheitsmodelle für autorisierte Schwachstellenforschung, Exploit-Validierung und Sicherheitstests.

Außerdem führen wir GPT‑5.6‑Cyber ein, das über Daybreak Red verfügbar ist. Es basiert auf GPT‑5.6 Sol und wurde darauf trainiert, die Fähigkeiten für mehrere spezialisierte Cybersicherheitsaufgaben zu verbessern, etwa das Auffinden von Zero-Day-Schwachstellen und das Entwickeln von Exploit-Ketten. Zugleich soll es bestimmte risikoreichere Cyberaufgaben mit doppeltem Verwendungszweck seltener ablehnen.

Daybreak erschließt fortschrittliche Cyberfähigkeiten

Wie wir bereits berichtet haben⁠, erreicht GPT‑5.6 Sol bei Cybersicherheitsaufgaben Spitzenleistungen. Im Produktivbetrieb setzen wir Schutzmaßnahmen auf Systemebene ein, die Anfragen zur Cybersicherheit prüfen, um Missbrauch zu verhindern. Sie können jedoch auch legitime defensive Arbeit blockieren. Beim Zugriff über Daybreak Blue entfallen diese Schutzmechanismen. So können Verteidigungsteams das Modell bei realen Sicherheitsaufgaben besser nutzen, darunter die Erkennung und Bearbeitung von Sicherheitsvorfällen, Untersuchungen, das Schwachstellenmanagement und Sicherheitsbewertungen.

Auch ohne Schutzmechanismen auf Systemebene lehnt GPT‑5.6 Sol weiterhin bestimmte Cybersicherheits-Prompts mit hohem doppeltem Verwendungsrisiko ab, etwa Penetrationstests an Produktivsystemen. Deshalb haben wir GPT‑5.6‑Cyber trainiert. Das über Daybreak Red verfügbare Modell soll Anfragen seltener ablehnen und bei bestimmten Aufgaben bessere Leistungen erzielen. GPT‑5.6‑Cyber unterstützt vertrauenswürdige Verteidigungsteams bei legitimen Sicherheitsaktivitäten.

Um die durch GPT‑5.6‑Cyber über Daybreak Red erreichte niedrigere Ablehnungsquote zu messen, haben wir eine interne Evaluation entwickelt: die Advanced Cybersecurity Completion Rate. Sie misst, wie häufig Modelle auf Anfragen zur Entwicklung von Exploit-Ketten, zur Umgehung der Authentifizierung, zur Rechteausweitung und zu weiteren fortgeschrittenen Cybersicherheitsszenarien antworten¹. GPT‑5.6‑Cyber bearbeitet 95,0 % dieser Anfragen. Bei GPT‑5.6 Sol sind es lediglich 1,5 % und beim Zugriff über Daybreak Blue 2,0 %. Es bearbeitet außerdem mehr Anfragen als GPT‑5.5‑Cyber, das nur 57,3 % abschließt. Damit reagieren wir auf Rückmeldungen von Sicherheitsforschenden, die beim früheren Modell wiederholt auf Ablehnungen stießen.

Im Folgenden zeigen wir mehrere Cybersicherheits-Prompts und die zugehörigen Modellantworten von GPT‑5.6 Sol mit Schutzmechanismen auf Systemebene, GPT‑5.6 Sol (Daybreak Blue), GPT‑5.5‑Cyber (Daybreak Red) und GPT‑5.6‑Cyber (Daybreak Red).

Bessere Leistung bei der Cybersicherheit

Das Modell GPT‑5.6‑Cyber wurde darauf trainiert, die Leistung bei bestimmten Cybersicherheitsabläufen zur Exploit-Entwicklung und fortgeschrittenen Sicherheitsforschung zu verbessern. ExploitGym² bewertet, ob Agenten bekannte Schwachstellen in funktionsfähige Exploits umwandeln können, die in kontrollierten Umgebungen die Ausführung beliebigen Codes ermöglichen. Dabei übertrifft GPT‑5.6‑Cyber sowohl GPT‑5.6 Sol als auch GPT‑5.5 Cyber.

GPT‑5.6‑Cyber soll außerdem die Fähigkeit verbessern, neuartige Zero-Day-Schwachstellen zu finden und ihren Schweregrad präzise einzustufen. Wir haben einen internen Evaluationsdatensatz erstellt, in dem wir den Modellen die aktuelle Version einer Open-Source-Repository bereitstellen. Anschließend fordern wir sie auf, Machbarkeits-Exploits mit größtmöglicher Wirkung sowie eine technische Dokumentation ihrer Ergebnisse zu erstellen. Die Modelle werden anhand des Schweregrads und der Auswirkungen ihrer Ergebnisse sowie der Kalibrierung und Qualität der zugehörigen technischen Dokumentation bewertet. GPT‑5.6‑Cyber (Daybreak Red) übertraf GPT‑5.6 Sol (Daybreak Blue) in diesem Benchmark aufgrund seines spezialisierten Trainings.

Wir haben GPT‑5.6‑Cyber außerdem mit unserer internen Evaluation „Vulnerability Discovery and Report Writing“ bewertet. Dabei erhält ein Agent einen frei formulierten Prompt, um in einem Repository mit einer bekannten Schwachstelle nach Schwachstellen zu suchen. Modelle erhalten in dieser Evaluation Punkte, wenn sie schwerwiegende und praktisch nutzbare neue oder bekannte Schwachstellen finden, einen funktionsfähigen Machbarkeitsnachweis entwickeln und einen hochwertigen Schwachstellenbericht einreichen. Sowohl GPT‑5.6 Sol als auch GPT‑5.6‑Cyber zeigen Verbesserungen gegenüber GPT‑5.5‑Cyber. GPT‑5.6‑Cyber schneidet bei dieser Evaluation schlechter ab als GPT‑5.6 Sol. Nach unserer Einschätzung liegt das daran, dass das Modell teilweise kürzere und weniger detaillierte Schwachstellenberichte erstellt.

Abschließend haben wir mit ExploitBench³ die Fähigkeiten zur Exploit-Entwicklung gemessen. Diese Evaluation prüft, ob ein Agent aus einer V8-Schwachstelle einen vollständigen Exploit entwickeln kann. Diese Exploit-Aufgabe ist schwieriger als ExploitGym: Mehr Schutzmechanismen wie die V8-Sandbox bleiben aktiviert, und der Agent erhält weniger Informationen über die auszunutzende Schwachstelle. In der Standardeinstellung, die Agenten auf 300 Durchläufe begrenzt, löst GPT‑5.6 Sol (Daybreak Blue) die Aufgaben Token-effizienter und erzielt die beste Leistung. Erweitern wir die Standardeinstellung von 300 auf 600 Durchläufe, verringert sich der Leistungsunterschied zwischen den beiden Modellen.

Neben den Ergebnissen aus Evaluationsbenchmarks gewährten wir einer Gruppe vertrauenswürdiger Partnerunternehmen frühzeitig Zugriff auf GPT‑5.6‑Cyber. Diese Unternehmen haben die Modelle erfolgreich eingesetzt, um ihre Cyberabwehr-Arbeitsabläufe deutlich zu beschleunigen:

Schwachstellen in realer Software finden und beheben

Die Fähigkeiten von GPT‑5.6‑Cyber gehen über Leistungen in Forschungsbenchmarks hinaus und umfassen auch die Schwachstellenforschung an realer Software. Schwachstellenforschung an realer Software erfordert häufig anhaltendes Reasoning über große, unbekannte Codebasen hinweg. Forschende müssen Hypothesen aufstellen und testen, Wechselwirkungen zwischen mehreren Komponenten nachverfolgen, unerwartetes Verhalten reproduzieren und feststellen, ob sich eine vermutete Schwachstelle in der Praxis ausnutzen lässt.

Seit Abschluss des Trainings von GPT‑5.6‑Cyber haben wir das Modell eingesetzt, um ausgewählte Softwareprojekte umfassend zu untersuchen und zu verbessern. Beispielsweise haben wir mit GPT‑5.6‑Cyber V8, die von Chrome verwendete JavaScript-Engine, untersucht. Wir entdeckten zwei zuvor unbekannte Schwachstellen, die sich zu einer Angriffskette verbinden ließen, um den Speicher zu beschädigen und aus der V8-Heap-Sandbox auszubrechen. Unsere Forschenden validierten die Ergebnisse und meldeten sie Google im Rahmen einer koordinierten Offenlegung von Schwachstellen. Google behob die Schwachstelle und wies ihr die Kennung CVE-2026-15903 zu.

CVE-2026-15903 ist eine Schwachstelle mit hohem Schweregrad in V8, der JavaScript-Engine von Chrome. Der optimierende Compiler übersprang bei der Umwandlung von Werten in Ganzzahlen fälschlicherweise eine Sicherheitsprüfung. Dadurch konnten undefinierte Werte statt des erwarteten Ergebnisses eine unerwartet große Zahl erzeugen.

Wird diese Zahl als Array-Index verwendet, kann der Compiler fälschlicherweise annehmen, dass sie innerhalb der Array-Grenzen liegt, und die übliche Grenzprüfung auslassen. Angreifer können dann Speicher anderer Objekte lesen oder überschreiben und möglicherweise beliebigen Code innerhalb der Chrome-Sandbox ausführen. Für einen Ausbruch aus der Heap-Sandbox wäre normalerweise eine zweite Schwachstelle erforderlich. Auch diese fand GPT‑5.6‑Cyber. Das folgende Diagramm bietet einen Überblick über diese Schwachstelle mit hohem Schweregrad.