സൈബർ പ്രതിരോധസമയം ചുരുങ്ങുമ്പോൾ Daybreak വിപുലീകരിക്കുന്നു

സൈബർ സുരക്ഷാ രംഗം അതിവേഗം മാറിക്കൊണ്ടിരിക്കുകയാണ്—സൈബർ ആക്രമണകാരികൾ അഭൂതപൂർവ്വമായ വേഗതയിലും അളവിലും, പൂർണ്ണമായും സ്വയംഭരണാധികാരമുള്ള രീതികളിൽ വരെ സൈബർ ആക്രമണങ്ങൾ നടത്താൻ AI കൂടുതലായി ഉപയോഗിക്കും. ഇത്തരം ശേഷികൾ വ്യാപിക്കുന്നതനുസരിച്ച് പ്രതിരോധിക്കാൻ തയ്യാറെടുക്കുന്നതിനായി സൈബർ പ്രതിരോധകർക്ക് ലഭിക്കുന്ന സമയം കുറഞ്ഞുവരികയാണ്. സൈബർ ആക്രമണകാരികൾ ആക്രമണാത്മക AI ശേഷികൾ വ്യാപകമായി വിന്യസിക്കുന്നതിനുമുമ്പ് എല്ലായിടത്തുമുള്ള വിശ്വസ്തരായ സൈബർ പ്രതിരോധകരുടെ കൈകളിൽ അത്യാധുനിക ഇൻ്റലിജൻസ് എത്തിക്കുകയാണ് ഞങ്ങളുടെ മറുപടി.

അംഗീകൃത സൈബർ പ്രതിരോധകർക്ക് അവരുടെ ജോലിക്കായി അനുയോജ്യമായ ശേഷികൾ ലഭ്യമാക്കുന്നതിനായി, രണ്ട് പ്രവേശന തലങ്ങളോടെ ഞങ്ങൾ OpenAI Daybreak വിപുലീകരിക്കുന്നു:

• അംഗീകൃത പ്രതിരോധ സുരക്ഷാ പ്രവർത്തനങ്ങൾക്ക് അനുയോജ്യമായ സുരക്ഷാ സംവിധാനങ്ങളോടെ GPT‑5.6 Sol ഉൾപ്പെടെയുള്ള അത്യാധുനിക പൊതുവിനിയോഗ മോഡലുകളിലേക്ക് Daybreak Blue പ്രവേശനം നൽകുന്നു. സുരക്ഷാ പിഴവുകൾ കണ്ടെത്തൽ, സുരക്ഷിത കോഡ് അവലോകനം, മാൽവെയർ വിശകലനം, സംഭവപ്രതികരണം, പാച്ച് പരിശോധന എന്നിവയെ പിന്തുണയ്ക്കുന്നതിനാൽ മിക്ക സൈബർ പ്രതിരോധകർക്കും ഉപയോഗിക്കാൻ ഏറ്റവും അനുയോജ്യമായ ഒന്നാണിത്.
• അംഗീകൃത സുരക്ഷാ പിഴവ് ഗവേഷണം, എക്സ്പ്ലോയിറ്റ് വാലിഡേഷൻ, സുരക്ഷാ പരിശോധന എന്നിവയ്ക്കായി പ്രത്യേകമായി പരിശീലിപ്പിച്ച ഞങ്ങളുടെ സൈബർസുരക്ഷാ മോഡലുകളിലേക്ക് Daybreak Red പ്രവേശനം നൽകുന്നു.

കൂടാതെ Daybreak Red വഴി ലഭ്യമാകുന്ന GPT‑5.6‑Cyber‑ഉം ഞങ്ങൾ അവതരിപ്പിക്കുന്നു. GPT‑5.6 Sol അടിസ്ഥാനമാക്കി നിർമ്മിച്ച ഈ മോഡൽ ചില പ്രത്യേക സൈബർ സുരക്ഷാ ജോലികളിലെ (ഉദാഹരണത്തിന്, സീറോ-ഡെ വൾനറബിലിറ്റി, എക്സ്പ്ലോയിറ്റ് ചെയിൻ വികസിപ്പിക്കൽ) അതിൻ്റെ ശേഷി വർദ്ധിപ്പിക്കുന്നതിനും ഉയർന്ന അപകടസാധ്യതയുള്ളതും ഇരട്ട ഉപയോഗ സാധ്യതയുള്ളതുമായ ചില സൈബർ ജോലികൾ ചെയ്യാനുള്ള നിരസിക്കലുകൾ കുറയ്ക്കുന്നതിനുമായി പ്രത്യേകം പരിശീലിപ്പിച്ചെടുത്തതാണ്.

Daybreak നൂതന സൈബർ ശേഷികൾ ലഭ്യമാക്കുന്നു

ഞങ്ങൾ മുമ്പ് പങ്കുവെച്ചതുപോലെ⁠, സൈബർസുരക്ഷാ ജോലികളിൽ GPT‑5.6 Sol അത്യാധുനിക പ്രകടനം നൽകുന്നു. ദുരുപയോഗം തടയാൻ ഉൽപ്പാദന പരിതസ്ഥിതിയിൽ സൈബർസുരക്ഷയുമായി ബന്ധപ്പെട്ട അഭ്യർഥനകൾ പരിശോധിക്കുന്ന സിസ്റ്റംതല സുരക്ഷാ സംവിധാനങ്ങൾ ഞങ്ങൾ വിന്യസിക്കുന്നു. എന്നാൽ അവയ്ക്ക് നിയമാനുസൃത പ്രതിരോധ പ്രവർത്തനങ്ങളും തടയാനാകും. Daybreak Blue പ്രവേശനം ആ നിയന്ത്രണങ്ങൾ നീക്കുന്നു. ഇത് ഇൻസിഡൻ്റ് ഡിറ്റക്ഷൻ ആൻഡ് റെസ്പോൺസ്, അന്വേഷണങ്ങൾ, സുരക്ഷാ പിഴവുകളുടെ കൈകാര്യം ചെയ്യൽ, സുരക്ഷാ വിലയിരുത്തലുകൾ എന്നിവ ഉൾപ്പെടെയുള്ള യഥാർഥ സുരക്ഷാ ജോലികളിൽ മോഡലിനെ കൂടുതൽ ഫലപ്രദമായി ഉപയോഗിക്കാൻ സൈബർ പ്രതിരോധകരെ സഹായിക്കുന്നു.

സിസ്റ്റംതല നിയന്ത്രണങ്ങളില്ലെങ്കിലും, ചില ഇരട്ട ഉപയോഗ സാധ്യതയുള്ള സൈബർ സുരക്ഷാ പ്രോംപ്റ്റ് (ഉദാഹരണത്തിന്, പ്രൊഡക്ഷൻ സിസ്റ്റങ്ങളിൽ പെൻടെസ്റ്റിംഗ് നടത്തുന്നത്) നിറവേറ്റാൻ GPT‑5.6 Sol വിസമ്മതിച്ചേക്കാം. ഇതിനൊരു പരിഹാരമായി, Daybreak Red പ്രവേശനത്തിലൂടെ ലഭ്യമാകുന്ന GPT‑5.6‑Cyber ഞങ്ങൾ പരിശീലിപ്പിച്ചെടുത്തിട്ടുണ്ട്. ഇത് അത്തരം നിരസിക്കലുകൾ കുറയ്ക്കുകയും ചില പ്രത്യേക ജോലികളിലെ പ്രകടനം മെച്ചപ്പെടുത്തുകയും ചെയ്യുന്നു. വിശ്വസ്തരായ സൈബർ പ്രതിരോധകരെ നിയമാനുസൃതമായ സുരക്ഷാ പ്രവർത്തനങ്ങൾ നടത്താൻ GPT‑5.6‑Cyber സഹായിക്കുന്നു.

Daybreak Red വഴി GPT‑5.6‑Cyber നൽകുന്ന കുറഞ്ഞ നിരസിക്കൽ നിരക്ക് അളക്കാൻ ഞങ്ങൾ ഒരു ആഭ്യന്തര മൂല്യനിർണയം സൃഷ്ടിച്ചു. എക്സ്പ്ലോയിറ്റ് ചെയിൻ ഡെവലപ്മെൻ്റ്, ഓതൻ്റിക്കേഷൻ ബൈപാസ്, പ്രിവിലേജ് എക്സലേഷൺ, മറ്റ് (നൂതന സൈബർ സുരക്ഷാ സാഹചര്യങ്ങൾ) എന്നിവയുൾപ്പെടുന്ന നിർദ്ദേശങ്ങളോട് മോഡലുകൾ എത്രത്തോളം പ്രതികരിക്കുന്നുവെണ്ണ ഇതിലൂടെ അളക്കാൻ സാധിക്കും ¹. ഈ അഭ്യർഥനകളിൽ 95.0%-വും GPT‑5.6‑Cyber പൂർത്തിയാക്കുന്നു; എന്നാൽ GPT‑5.6 Sol-ന് ഇത് 1.5% മാത്രമാണ്, കൂടാതെ Daybreak Blue പ്രവേശനത്തിലൂടെ ഇത് 2.0% മാത്രമാണ്. മുൻ മോഡലുകളിൽ തുടർച്ചയായി നിരസിക്കലുകൾ നേരിട്ട സുരക്ഷാ ഗവേഷകരുടെ ഫീഡ്ബാക്ക് പരിഹരിച്ചുകൊണ്ട് വെറും 57.3% അഭ്യർഥനകൾ മാത്രം പൂർത്തിയാക്കുന്ന GPT‑5.5‑Cyber‑നേക്കാൾ കൂടുതൽ ആവശ്യങ്ങൾ നിറവേറ്റാൻ GPT‑5.6‑Cyber‑ന് സാധിക്കുന്നുണ്ട്.

സിസ്റ്റം തല നിയന്ത്രണങ്ങളുള്ള GPT‑5.6 Sol, GPT‑5.6 Sol (Daybreak Blue), GPT‑5.5‑Cyber (Daybreak Red), GPT‑5.6‑Cyber (Daybreak Red) എന്നിവയിൽ നിന്നുള്ള സൈബർ സുരക്ഷാ പ്രോംപ്റ്റുകളും അവയുമായി ബന്ധപ്പെട്ട മോഡൽ മറുപടികളും താഴെ നൽകുന്നു.

സൈബർസുരക്ഷാ പ്രകടനം മെച്ചപ്പെടുത്തൽ

എക്സ്പ്ലോയിറ്റ് വികസനവും നൂതന സുരക്ഷാ ഗവേഷണവും ഉൾപ്പെടുന്ന ചില സൈബർസുരക്ഷാ പ്രവർത്തനക്രമങ്ങളിലെ പ്രകടനം മെച്ചപ്പെടുത്താൻ GPT‑5.6‑Cyber മോഡലിന് പരിശീലനം നൽകിയിട്ടുണ്ട്. നിയന്ത്രിത പരിതസ്ഥിതികളിൽ കണ്ടെത്തിയ സുരക്ഷാ പിഴവുകളെ ആർബിട്രറി കോഡ് എക്സിക്യൂഷൻ സാധ്യമാക്കുന്ന എക്സ്പ്ലോയിറ്റുകളാക്കി മാറ്റാൻ ഏജൻ്റുകൾക്ക് സാധിക്കുമോ എന്ന് വിലയിരുത്തുന്ന ExploitGym²-ൽ GPT‑5.6 Sol-നേക്കാളും GPT‑5.5 Cyber-നേക്കാളും മികച്ച പ്രകടനമാണ് GPT‑5.6‑Cyber കാഴ്ചവെക്കുന്നത്.

സീറോ-ഡേ സുരക്ഷാ പിഴവുകൾ കണ്ടെത്താനും അവയുടെ തീവ്രത കൃത്യമായി വിലയിരുത്താനും ഉള്ള ശേഷി വർദ്ധിപ്പിക്കുക എന്നതാണ് GPT‑5.6‑Cyber ലക്ഷ്യമിടുന്ന മറ്റൊരു മേഖല. ഇതിനായി ഞങ്ങൾ ഒരു ആഭ്യന്തര മൂല്യനിർണ്ണയ ഡാറ്റാസെറ്റ് തയ്യാറാക്കിയിരുന്നു. ഇതിൽ ഒരു ഓപ്പൺ സോഴ്സ് റിപ്പോസിറ്ററിയുടെ നിലവിലുള്ള പതിപ്പ് മോഡലുകൾക്ക് നൽകിയശേഷം കണ്ടെത്തലുകളുടെ സാങ്കേതിക വിവരങ്ങൾക്കൊപ്പം പരമാവധി പ്രത്യാഘാതം ഉണ്ടാക്കാൻ സാധ്യതയുള്ള പ്രൂഫ് ഓഫ് കൺസെപ്റ്റ് എക്സ്പ്ലോയിറ്റുകൾ തയ്യാറാക്കാൻ ആവശ്യപ്പെടുന്നു. കണ്ടെത്തിയ വിവരങ്ങളുടെ തീവ്രതയും പ്രത്യാഘാതവും ഒപ്പം നൽകിയിട്ടുള്ള സാങ്കേതിക വിവരങ്ങളുടെ ഗുണനിലവാരവും അടിസ്ഥാനമാക്കിയാണ് മോഡലുകളെ വിലയിരുത്തുന്നത്. പ്രത്യേക പരിശീലനം ലഭിച്ചതിനാൽ ഈ മാനദണ്ഡത്തിൽ GPT‑5.6 Sol (Daybreak Blue)-നെക്കാൾ മികച്ച പ്രകടനമാണ് GPT‑5.6‑Cyber (Daybreak Red) കാഴ്ചവെച്ചത്.

ഞങ്ങളുടെ Vulnerability Discovery and Report Writing മൂല്യനിർണ്ണയത്തിലും ഞങ്ങൾ GPT‑5.6‑Cyber‑നെ വിലയിരുത്തിയിരുന്നു. ഇതിൽ സുരക്ഷാ പിഴവുകൾ ഉണ്ടെന്ന് ഉറപ്പുള്ള ഒരു റിപ്പോസിറ്ററിയിലെ തകരാറുകൾ കണ്ടെത്താൻ ഏജൻ്റിന് പൂർണ്ണ സ്വാതന്ത്ര്യമുള്ള ഒരു നിർദ്ദേശം നൽകുകയാണ് ചെയ്യുന്നത്. ഈ വിലയിരുത്തലിൽ ഗുരുതരവും പരിഹരിക്കാൻ സാധിക്കുന്നതുമായ സുരക്ഷാ പിഴവുകൾ കണ്ടെത്തുക (അവ പുതിയതോ അല്ലെങ്കിൽ നിലവിൽ അറിയപ്പെടുന്നതോ ആകാം), അവ തെളിയിക്കുന്ന പ്രവർത്തനക്ഷമമായ ഒരു പ്രൂഫ് ഓഫ് കൺസെപ്റ്റ് വികസിപ്പിക്കുക, മികച്ച നിലവാരമുള്ള ഒരു വൾനറബിലിറ്റി റിപ്പോർട്ട് സമർപ്പിക്കുക എന്നിവയിലൂടെയാണ് മോഡലുകൾ പോയിൻ്റുകൾ നേടുന്നത്. GPT‑5.6 Sol, GPT‑5.6‑Cyber എന്നിവ GPT‑5.5‑Cyber‑നേക്കാൾ മികച്ച പ്രകടനമാണ് കാഴ്ചവെച്ചത്. എന്നാൽ ഈ പരീക്ഷണത്തിൽ GPT‑5.6 Sol-നേക്കാൾ കുറഞ്ഞ പ്രകടനമാണ് GPT‑5.6‑Cyber നടത്തിയത്; മോഡൽ ചിലപ്പോഴൊക്കെ ദൈർഘ്യം കുറഞ്ഞതും വിശദാംശങ്ങൾ കുറഞ്ഞതുമായ സുരക്ഷാ റിപ്പോർട്ടുകൾ തയ്യാറാക്കുന്നതുകൊണ്ടാണ് ഇത് എന്നാണ് ഞങ്ങൾ കരുതുന്നത്.

അവസാനമായി, ഒരു V8 സുരക്ഷാ പിഴവിനെ ഒരു പൂർണ്ണ എക്സ്പ്ലോയിറ്റായി വികസിപ്പിക്കാനുള്ള ഒരു ഏജൻ്റിൻ്റെ ശേഷി പരിശോധിക്കുന്ന മൂല്യനിർണ്ണയമായ ExploitBench³-ൽ ഞങ്ങൾ എക്സ്പ്ലോയിറ്റ് വികസനശേഷികൾ അളന്നു. ഈ എക്സ്പ്ലോയിറ്റേഷൻ ടാസ്ക് ExploitGym-നേക്കാൾ പ്രയാസകരമാണ് — കാരണം ഇതിൽ V8 sandbox പോലുള്ള കൂടുതൽ പ്രതിരോധ സംവിധാനങ്ങൾ സജീവമായി തുടരുന്നു, കൂടാതെ എക്സ്പ്ലോയിറ്റ് ചെയ്യേണ്ട സുരക്ഷാ പിഴവിനെക്കുറിച്ച് ഏജൻ്റിന് വളരെ കുറഞ്ഞ വിവരങ്ങൾ മാത്രമേ നൽകുന്നുള്ളൂ. ഏജൻ്റുകളെ 300 ഘട്ടങ്ങളായി പരിമിതപ്പെടുത്തുന്ന സാധാരണ ക്രമീകരണത്തിൽ GPT‑5.6 Sol (Daybreak Blue) കുറഞ്ഞ ടോക്കണുകൾ ഉപയോഗിച്ച് വളരെ കാര്യക്ഷമമായി ടാസ്കുകളിലെ പ്രശനം പരിഹരിക്കുകയും മികച്ച പ്രകടനം കാഴ്ചവെക്കുകയും ചെയ്യുന്നു. എന്നാൽ സാധാരണ 300 ഘട്ട പരിധിയിൽ നിന്ന് 600 ഘട്ടങ്ങളിലേക്ക് ഞങ്ങൾ ഇത് വ്യാപിപ്പിക്കുകയാണെങ്കിൽ രണ്ട് മോഡലുകൾ തമ്മിലുള്ള പ്രകടനവ്യത്യാസം കുറയുന്നതായി കാണാം.

മൂല്യനിർണ്ണയ മാനദണ്ഡങ്ങളിലെ ഫലങ്ങൾക്കുപുറമേ, വിശ്വസ്ത ഉപഭോക്തൃ പങ്കാളികളുടെ ഒരു സംഘത്തിന് GPT‑5.6‑Cyber നേരത്തേ ഉപയോഗിക്കാനുള്ള അവസരവും നൽകി. ഈ ഉപഭോക്താക്കൾ തങ്ങളുടെ പ്രതിരോധ പ്രവർത്തനക്രമങ്ങൾ വളരെ വിജയകാര്യമായി വേഗത്തിലാക്കാൻ ഈ മോഡലുകളെ ഫലപ്രദമായി ഉപയോഗിച്ചിട്ടുണ്ട്:

യഥാർഥ സോഫ്റ്റ്‌വെയറിലെ സുരക്ഷാ പിഴവ് കണ്ടെത്തി പരിഹരിക്കുന്നു

GPT‑5.6‑Cyber‑ൻ്റെ ശേഷികൾ കേവലം ഗവേഷണ മാനദണ്ഡങ്ങളിലെ പ്രകടനത്തിനപ്പുറം പ്രായോഗിക തലത്തിലെ സുരക്ഷാ പിഴവ് ഗവേഷണത്തിലേക്കും വ്യാപിക്കുന്നു. പ്രായോഗിക തലത്തിലെ സുരക്ഷാ പിഴവ് ഗവേഷണത്തിന് പലപ്പോഴും വലുതും അപരിചിതവുമായ കോഡ് ബേസുകളിൽ ഉടനീളം കൃത്യമായ നിരീക്ഷണവും റീസണിംഗും ആവശ്യമാണ്. ഗവേഷകർക്ക് സിസ്റ്റത്തെക്കുറിച്ച് കൃത്യമായ നിഗമാനങ്ങളിൽ എത്തേണ്ടതുണ്ട്; കൂടാതെ വ്യത്യസ്ത ഘടകങ്ങൾ തമ്മിലുള്ള പരസ്പര ബന്ധങ്ങൾ കണ്ടെത്താനും അപ്രതീക്ഷിതമായ സിസ്റ്റം പെരുമാറ്റങ്ങൾ കൃത്യമായി പരിശോധിക്കാനോ കണ്ടെത്തിയ സുരക്ഷാ പിഴവ് പ്രായോഗികമായി എക്സ്പ്ലോയിറ്റ് ചെയ്യാൻ സാധിക്കുമോ എന്ന് വിലയിരുത്താനും ഇത് സഹായിക്കുന്നു.

GPT‑5.6‑Cyber മോഡലിൻ്റെ പരിശീലനം പൂർത്തിയായതുമുതൽ തിരഞ്ഞെടുത്ത സോഫ്റ്റ്‌വെയർ പദ്ധതികൾ വിശദമായി പഠിക്കാനും മെച്ചപ്പെടുത്താനും ഞങ്ങൾ അത് ഉപയോഗിച്ചിട്ടുണ്ട്. ഉദാഹരണത്തിന്, Chrome ഉപയോഗിക്കുന്ന JavaScript എൻജിനായ V8 അന്വേഷിക്കാൻ GPT‑5.6‑Cyber ഉപയോഗിച്ചു. മെമ്മറി കേടാക്കാനും V8 ഹീപ്പ് sandbox-ൽനിന്ന് രക്ഷപ്പെടാനും ഒന്നിന് പുറകെ ഒന്നായി ഉപയോഗിക്കാൻ സാധിക്കുന്ന, മുമ്പ് അറിയപ്പെടാത്ത രണ്ട് സുരക്ഷാ പിഴവുകൾ ഞങ്ങൾ കണ്ടെത്തി. ഞങ്ങളുടെ ഗവേഷകർ കണ്ടെത്തലുകൾ പരിശോധിച്ചുറപ്പിക്കുകയും ഏകോപിത സുരക്ഷാ പിഴവ് വെളിപ്പെടുത്തലിലൂടെ Google-നെ അറിയിക്കുകയും ചെയ്തു. Google ഈ സുരക്ഷാ പിഴവ് പരിഹരിച്ച് അതിന് CVE-2026-15903 എന്ന ഐഡി നൽകുകയും ചെയ്തിട്ടുണ്ട്.

Chrome-ൻ്റെ JavaScript എൻജിനായ V8-ലെ അതീവ ഗുരുതരമായ ഒരു സുരക്ഷാ പിഴവാണ് CVE-2026-15903. ഇതിലെ ഒപ്റ്റിമൈസിംഗ് കംപൈലർ, സംഖ്യകളെ വ്യാഖ്യാനത്തിലേക്ക് മാറ്റുമ്പോൾ വരുത്തേണ്ട ഒരു സുരക്ഷാ പരിശോധന തെറ്റായി ഒഴിവാക്കി. അതിനാൽ നിർവചിക്കാത്ത മൂല്യങ്ങൾ പ്രതീക്ഷിച്ച ഫലത്തിനുപകരം അപ്രതീക്ഷിതമായി വലിയ സംഖ്യ സൃഷ്ടിച്ചു.

ആ സംഖ്യ അറേ സൂചികയായി ഉപയോഗിച്ചാൽ, അത് അറേയുടെ പരിധിക്കുള്ളിലാണെന്ന് കംപൈലർ തെറ്റായി കരുതുകയും സാധാരണ പരിധി പരിശോധന ഒഴിവാക്കുകയും ചെയ്തേക്കാം. തുടർന്ന് സൈബർ ആക്രമണകാരിക്ക് മറ്റ് ഒബ്ജക്റ്റുകളുടെ മെമ്മറി വായിക്കാനോ തിരുത്തിയെഴുതാനോ കഴിയും. ഇതിലൂടെ Chrome-ൻ്റെ sandbox-നുള്ളിൽ ആർബിട്രറി കോഡ് നിർവഹണത്തിന് കാരണമായേക്കാം. ഹീപ്പ് sandbox-ൽ നിന്ന് രക്ഷപ്പെടാൻ സാധാരണയായി രണ്ടാമതൊരു സുരക്ഷാ പിഴവ് ആവശ്യമാണ്. അത് GPT‑5.6‑Cyber‑ഉം കണ്ടെത്തി. ഈ അതീവ ഗുരുതര സുരക്ഷാ പിഴവിൻ്റെ ഒരു അവലോകനം താഴെയുള്ള രേഖാചിത്രത്തിൽ നൽകിയിരിക്കുന്നു.