Daybreak utvides mens vinduet for cyberforsvar krymper
Nye måter å ta i bruk avanserte cyberfunksjoner på sammen med GPT‑5.6‑Cyber, vår nyeste modell utviklet spesielt for cybersikkerhet.
Cybersikkerhetsverdenen endrer seg raskt – trusselaktører vil i økende grad bruke KI til å gjennomføre cyberangrep i et tempo og omfang vi aldri før har sett, også helt autonomt. Etter hvert som disse mulighetene sprer seg, får forsvarerne stadig kortere tid til å forberede seg. Vårt svar er å gi pålitelige forsvarere overalt tilgang til banebrytende intelligens før angripere tar i bruk offensive KI-funksjoner i stor skala.
Vi utvider OpenAI Daybreak med to tilgangsnivåer som skal gi godkjente forsvarere de rette funksjonene for arbeidet sitt:
- Daybreak Blue gir tilgang til banebrytende modeller for generell bruk, blant annet GPT‑5.6 Sol, med sikkerhetstiltak tilpasset autorisert defensivt sikkerhetsarbeid. Det er det anbefalte utgangspunktet for de fleste forsvarere og støtter oppdagelse av sårbarheter, sikker kodegjennomgang, analyse av skadevare, hendelseshåndtering og validering av sikkerhetsoppdateringer.
- Daybreak Red gir tilgang til cybersikkerhetsmodellene våre, som er spesialtrent for autorisert sårbarhetsforskning, validering av utnyttelser og sikkerhetstesting.
Vi lanserer også GPT‑5.6‑Cyber, som er tilgjengelig via Daybreak Red. Den bygger på GPT‑5.6 Sol og er trent for å forbedre ytelsen på flere spesialiserte cybersikkerhetsoppgaver, som å finne nulldagssårbarheter og utvikle utnyttelseskjeder, samt redusere avslag på enkelte cyberoppgaver med høyere risiko og flerbruksformål.
Daybreak åpner for avanserte cyberfunksjoner
Som vi tidligere har fortalt, leverer GPT‑5.6 Sol ytelse i toppklasse på cybersikkerhetsoppgaver. I produksjon bruker vi sikkerhetstiltak på systemnivå til å kontrollere cybersikkerhetsrelaterte forespørsler og forhindre misbruk, men de kan også blokkere legitimt defensivt arbeid. Daybreak Blue-tilgang fjerner disse begrensningene, slik at forsvarere kan få mer ut av modellen i reelle sikkerhetsoppgaver, blant annet hendelsesdeteksjon og -håndtering, undersøkelser, sårbarhetshåndtering og sikkerhetsvurderinger.
Selv uten begrensninger på systemnivå finnes det cybersikkerhetsprompter med tydelig flerbrukspotensial, som penetrasjonstesting av produksjonssystemer, som GPT‑5.6 Sol vil avslå. For å løse dette trente vi GPT‑5.6‑Cyber, som er tilgjengelig via Daybreak Red, til å redusere antallet avslag ytterligere og forbedre ytelsen på enkelte oppgaver. GPT‑5.6‑Cyber hjelper pålitelige forsvarere med å utføre legitimt sikkerhetsarbeid.
For å måle den reduserte avslagsraten som GPT‑5.6‑Cyber gir via Daybreak Red, opprettet vi en intern evaluering (Advanced Cybersecurity Completion Rate) som måler hvor ofte modeller svarer på forespørsler om utvikling av utnyttelseskjeder, omgåelse av autentisering, rettighetseskalering og andre avanserte cybersikkerhetsscenarioer1. GPT‑5.6‑Cyber fullfører 95,0 % av disse forespørslene, mot bare 1,5 % for GPT‑5.6 Sol og 2,0 % når GPT‑5.6 Sol brukes med Daybreak Blue-tilgang. Den fullfører også flere forespørsler enn GPT‑5.5‑Cyber, som bare fullfører 57,3 %. Dette imøtekommer tilbakemeldinger fra sikkerhetsforskere som opplevde gjentatte avslag med den tidligere modellen.
Nedenfor viser vi en serie cybersikkerhetsprompter og tilhørende modellsvar fra GPT‑5.6 Sol med begrensninger på systemnivå, GPT‑5.6 Sol (Daybreak Blue), GPT‑5.5‑Cyber (Daybreak Red) og GPT‑5.6‑Cyber (Daybreak Red).
Bedre ytelse innen cybersikkerhet
GPT‑5.6‑Cyber‑modellen er trent for å forbedre ytelsen i enkelte cybersikkerhetsarbeidsflyter som omfatter utvikling av utnyttelser og avansert sikkerhetsforskning. På ExploitGym2, som evaluerer om agenter kan gjøre kjente sårbarheter om til fungerende utnyttelser som oppnår vilkårlig kodekjøring i kontrollerte miljøer, gjør GPT‑5.6‑Cyber det bedre enn både GPT‑5.6 Sol og GPT‑5.5 Cyber.
Et annet område GPT‑5.6‑Cyber skal forbedre, er evnen til å finne nye nulldagssårbarheter og vurdere alvorlighetsgraden deres nøyaktig. Vi opprettet et internt evalueringsdatasett der modellene får den gjeldende versjonen av et åpent kildekodelager. Deretter ber vi dem generere konseptbevis for utnyttelser med størst mulig skadevirkning, sammen med en teknisk beskrivelse av funnene. Modellene evalueres etter funnenes alvorlighetsgrad og skadevirkning samt kalibreringen og kvaliteten på den tilhørende tekniske beskrivelsen. GPT‑5.6‑Cyber (Daybreak Red) gjorde det bedre enn GPT‑5.6 Sol (Daybreak Blue) på denne referansetesten på grunn av spesialisert trening.
Vi evaluerte også GPT‑5.6‑Cyber med vår interne evaluering for sårbarhetsoppdagelse og rapportskriving. Der får en agent en åpen prompt om å finne sårbarheter i et lager med en kjent sårbarhet. Modeller får poeng i denne evalueringen ved å finne alvorlige og håndterbare sårbarheter, enten nye eller kjente, utvikle et fungerende konseptbevis og levere en sårbarhetsrapport av høy kvalitet. Både GPT‑5.6 Sol og GPT‑5.6‑Cyber forbedrer seg sammenlignet med GPT‑5.5‑Cyber. GPT‑5.6‑Cyber gjør det dårligere enn GPT‑5.6 Sol i denne evalueringen. Vi tror det skyldes at modellen noen ganger lager kortere og mindre detaljerte sårbarhetsrapporter.
Til slutt målte vi evnen til å utvikle utnyttelser med ExploitBench3, en evaluering som tester en agents evne til å videreutvikle en V8-sårbarhet til en fullstendig utnyttelse. Denne utnyttelsesoppgaven er vanskeligere enn ExploitGym – flere beskyttelsestiltak, som V8-sandkassen, forblir aktivert, og agenten får mindre informasjon om sårbarheten som skal utnyttes. I standardoppsettet, som begrenser agenter til 300 turer, løser GPT‑5.6 Sol (Daybreak Blue) oppgavene med mer effektiv tokenbruk og oppnår best resultat. Hvis vi utvider standardoppsettet fra 300 til 600 turer, blir ytelsesforskjellen mellom de to modellene mindre.
I tillegg til resultater fra evalueringsreferanser ga vi en gruppe pålitelige kundepartnere tidlig tilgang til GPT‑5.6‑Cyber. Disse kundene har brukt modellene til å fremskynde defensive arbeidsflyter med svært gode resultater:
Finne og utbedre sårbarheter i programvare fra den virkelige verden
Funksjonene i GPT‑5.6‑Cyber strekker seg utover ytelse på forskningsreferanser og omfatter sårbarhetsforskning i den virkelige verden. Sårbarhetsforskning i den virkelige verden krever ofte langvarig resonnering på tvers av store og ukjente kodebaser. Forskere må formulere og teste hypoteser, spore samspillet mellom flere komponenter, gjenskape uventet atferd og avgjøre om en mistenkt sårbarhet faktisk kan utnyttes.
Siden GPT‑5.6‑Cyber‑modellen ble ferdigtrent, har vi brukt den til å undersøke og forbedre utvalgte programvareprosjekter i stor skala. Vi brukte for eksempel GPT‑5.6‑Cyber til å undersøke V8, JavaScript-motoren som brukes av Chrome. Vi avdekket to tidligere ukjente sårbarheter som kunne kobles sammen for å ødelegge minnet og unnslippe V8s heap-sandkasse. Forskerne våre validerte funnene og rapporterte dem til Google gjennom koordinert offentliggjøring av sårbarheter. Google rettet sårbarheten og ga den betegnelsen CVE-2026-15903.
CVE-2026-15903 er en svært alvorlig sårbarhet i V8, Chromes JavaScript-motor. Den optimaliserende kompilatoren hoppet feilaktig over en sikkerhetskontroll ved konvertering av verdier til heltall. Dermed kunne udefinerte verdier gi et uventet stort tall i stedet for det forventede resultatet.
Hvis dette tallet brukes som en matriseindeks, kan kompilatoren feilaktig anta at det ligger innenfor matrisens grenser og utelate den vanlige grensekontrollen. En angriper kan da lese eller overskrive minne som tilhører andre objekter, og potensielt kjøre vilkårlig kode i Chromes sandkasse. Å unnslippe heap-sandkassen ville vanligvis kreve en ytterligere sårbarhet, som GPT‑5.6‑Cyber også fant. Diagrammet nedenfor gir en oversikt over denne svært alvorlige sårbarheten.
I tillegg til disse V8-sårbarhetene har vi brukt GPT‑5.6‑Cyber til å identifisere svært alvorlige problemer i programvare, fra populære databaser til mobiltelefoner:
- Minst fem sårbarheter i et populært mobiloperativsystem, blant annet en kjede fra en upålitelig app til lokal rettighetseskalering.
- Tre kritiske sårbarheter i en populær database, blant annet en ekstern vei til kodekjøring.
- Over 400 sårbarheter som kan føre til rettighetseskalering i kjernen til et populært operativsystem.
Vi samarbeider tett med Daybreak-partnere og medlemmer av åpen kildekode-fellesskapet om å offentliggjøre og utbedre disse sårbarhetene i mobiloperativsystemer, databaser og kjerner.
Preparedness-evalueringer
I henhold til vårt Preparedness Framework ble GPT‑5.6 Sol-modellen vurdert til Høy for cybersikkerhetskapasitet og under terskelen Kritisk. Før lanseringen av GPT‑5.6‑Cyber evaluerte vi også modellens banebrytende cyberfunksjoner og fastslo at den på samme måte når terskelen Høy, men ikke Kritisk. Modellen forbedret seg sammenlignet med GPT‑5.6 Sol på enkelte spesialiserte cyberoppgaver som vi trente direkte på, men ikke nok til å nå terskelen Kritisk. Som nevnt i oppdateringene våre om Hugging Face-hendelsen, var GPT‑5.6‑Cyber ikke involvert i utnyttelsen av Hugging Face. Det var heller ingen andre modeller som var planlagt for en kommende lansering.
Vi vil publisere et systemkort med flere evalueringer av GPT‑5.6‑Cyber på et senere tidspunkt.
Tilgang og sikkerhetstiltak
Modeller som kjører med reduserte sikkerhetstiltak, medfører risiko utover vanlig modellbruk, enten som følge av misbruk eller feiltilpasning. Til tross for denne risikoen mener vi at det er avgjørende å demokratisere forsvarernes tilgang til banebrytende intelligens for å fremskynde og automatisere cyberforsvaret.
Daybreak Blue- og Daybreak Red-tilgang er tilgjengelig for godkjente enkeltpersoner(åpnes i et nytt vindu) og organisasjoner som utfører autorisert arbeid. Vi kontrollerer tilgangen gjennom identitetsverifisering, kontosikkerhet, overvåking, begrensninger for godkjent bruk og juridiske erklæringer.
Vi iverksetter også flere tiltak for tryggere bruk av cybermodeller:
- Vi oppfordrer sterkt Daybreak-kunder som bruker Codex, til å bytte fra full tilgang til automatisk gjennomgang ved hjelp av appstandarder og funksjoner i brukergrensesnittet. Automatisk gjennomgang vurderer handlinger som krever utvidede tillatelser før de utføres, og kan blokkere forespørsler som innebærer betydelig risiko for destruktiv atferd.
- Fra og med 1. september 2026 krever vi at alle personlige Daybreak-kontoer tar i bruk fysiske sikkerhetsnøkler.
- Vi arbeider aktivt med flere sikkerhetstiltak, blant annet bedre overvåking, som vi planlegger å innføre i løpet av de kommende ukene.
- Vi prioriterer tilpasningstrening og testing for kommende Daybreak-lanseringer.
- Vi har oppdatert Codex-dokumentasjonen om anbefalt sikkerhetspraksis for å hjelpe team med å holde cyberkapable agenter innenfor de tiltenkte sikkerhetsgrensene.
Anbefalt praksis for bruk av Daybreak-serien omfatter:
- Bruk sandkasse og isolasjon. Kjør sikkerhetsarbeidsflyter i kontrollerte miljøer uten tilgang til sensitive produksjonssystemer eller det åpne internettet. Test grensene til sandkassen regelmessig.
- Overvåk agenthandlinger. Bruk automatisk gjennomgang(åpnes i et nytt vindu) til å kontrollere verktøykall utenfor Codex-sandkassen før de utføres. Legg til mer overvåking og menneskelig kontroll for arbeidsflyter med høyere risiko.
- Definer omfanget. Angi hvilke systemer og handlinger som er autorisert. Bruk avgrensede tillatelsesprofiler(åpnes i et nytt vindu) for å håndheve disse grensene.
Organisasjoner kan også tilpasse gjennomgangsreglene(åpnes i et nytt vindu) til sine egne arbeidsflyter.
Vi anbefaler Daybreak Blue som utgangspunkt for de fleste forsvarere. Team som utfører autorisert arbeid med avansert sårbarhetsforskning, utvikling av utnyttelser eller red teaming, kan søke om Daybreak Red-tilgang til våre mest avanserte cybermodeller. Søk om å bli med i programmet på openai.com/daybreak/partners.
1. For alle evalueringer viser vi ytelsen til hver modell med det høyeste offentlig tilgjengelige resonneringsnivået. Merk at GPT‑5.6‑Cyber vanligvis resonnerer mer utførlig og grundig enn GPT‑5.6 Sol innenfor resonneringsbudsjettet, noe som gir høyere tokenbruk.
2. Alle ExploitGym-evalueringer ble utført med vår nye interne implementering i sikkerhetsforsterkede, isolerte miljøer og med streng overvåking for feiltilpasset atferd.
3. ExploitBench-evalueringene ble utført med vår interne implementering i sikkerhetsforsterkede, isolerte miljøer.
