Daybreak byggs ut när tiden för cyberförsvar krymper

Cybersäkerhetsvärlden förändras snabbt – hotaktörer kommer i allt högre grad att använda AI för att genomföra cyberattacker i en hastighet och omfattning vi aldrig tidigare sett, även helt autonomt. När dessa förmågor sprids får försvarare allt mindre tid att förbereda sig. Vårt svar är att ge betrodda försvarare överallt tillgång till banbrytande Intelligens innan angripare börjar använda offensiva AI-förmågor i stor skala.

Vi utökar OpenAI Daybreak med två åtkomstnivåer som ger godkända försvarare rätt funktioner för sitt arbete:

• Daybreak Blue ger åtkomst till banbrytande generella Modeller, däribland GPT‑5.6 Sol, med skyddsåtgärder anpassade för godkänt defensivt säkerhetsarbete. Det är den rekommenderade startpunkten för de flesta försvarare och stöder upptäckt av sårbarheter, granskning av säker kod, analys av skadlig kod, incidenthantering och validering av korrigeringar.
• Daybreak Red ger åtkomst till våra specialtränade cybersäkerhetsmodeller för godkänd sårbarhetsforskning, exploitvalidering och säkerhetstestning.

Vi lanserar också GPT‑5.6‑Cyber, som är tillgänglig via Daybreak Red. Den bygger på GPT‑5.6 Sol och har tränats för att förbättra förmågan inom flera specialiserade cybersäkerhetsuppgifter, exempelvis att hitta nolldagssårbarheter och utveckla exploitkedjor, samt för att minska antalet avslag för vissa cyberuppgifter med högre risk och dubbla användningsområden.

Daybreak frigör avancerade cyberfunktioner

Som vi tidigare berättat⁠ ger GPT‑5.6 Sol prestanda i toppklass för cybersäkerhetsuppgifter. I produktionsmiljö använder vi skyddsåtgärder på systemnivå för att granska cybersäkerhetsrelaterade förfrågningar och förhindra missbruk, men de kan också blockera legitimt försvarsarbete. Åtkomst till Daybreak Blue tar bort dessa skyddsräcken och hjälper försvarare att få ut mer av Modellen i verkliga säkerhetsuppgifter, bland annat incidentdetektering och incidenthantering, utredningar, sårbarhetshantering och säkerhetsbedömningar.

Även utan skyddsräcken på systemnivå finns cybersäkerhetsprompter med tydligt dubbla användningsområden, exempelvis intrångstestning av produktionssystem, som GPT‑5.6 Sol vägrar att följa. För att hantera detta tränade vi GPT‑5.6‑Cyber, tillgänglig via Daybreak Red, för att ytterligare minska antalet avslag och förbättra prestandan för vissa uppgifter. GPT‑5.6‑Cyber hjälper betrodda försvarare att utföra legitimt säkerhetsarbete.

För att mäta den lägre avvisningsfrekvens som GPT‑5.6‑Cyber ger via Daybreak Red skapade vi en intern utvärdering, Advanced Cybersecurity Completion Rate, som mäter hur ofta Modeller besvarar förfrågningar om utveckling av exploitkedjor, kringgående av autentisering, privilegieeskalering och andra avancerade cybersäkerhetsscenarier¹. GPT‑5.6‑Cyber slutför 95,0 % av dessa förfrågningar, jämfört med endast 1,5 % för GPT‑5.6 Sol och 2,0 % när den används med Daybreak Blue. Den slutför också fler förfrågningar än GPT‑5.5‑Cyber, som endast slutför 57,3 %. Därmed hanteras återkoppling från säkerhetsforskare som stötte på återkommande avslag med den tidigare Modellen.

Nedan visar vi en serie cybersäkerhetsprompter och tillhörande Modellsvar från GPT‑5.6 Sol med skyddsräcken på systemnivå, GPT‑5.6 Sol (Daybreak Blue), GPT‑5.5‑Cyber (Daybreak Red) och GPT‑5.6‑Cyber (Daybreak Red).

Förbättrad cybersäkerhetsprestanda

Modellen GPT‑5.6‑Cyber har tränats för att förbättra prestandan i vissa cybersäkerhetsflöden som omfattar exploitutveckling och avancerad säkerhetsforskning. I ExploitGym², som utvärderar om Agenter kan omvandla kända sårbarheter till fungerande exploits som uppnår godtycklig kodkörning i kontrollerade miljöer, överträffar GPT‑5.6‑Cyber både GPT‑5.6 Sol och GPT‑5.5 Cyber.

Ett annat område som GPT‑5.6‑Cyber ska förbättra är förmågan att hitta nya nolldagssårbarheter och korrekt bedöma deras allvarlighetsgrad. Vi skapade en intern utvärderingsdatauppsättning där Modeller får den aktuella versionen av ett Förvar med öppen källkod. Därefter ber vi dem generera koncepttest för exploits med största möjliga påverkan och en teknisk redogörelse för resultaten. Modellerna utvärderas utifrån resultatens allvarlighetsgrad och påverkan samt hur väl avvägd och högkvalitativ den tillhörande tekniska redogörelsen är. GPT‑5.6‑Cyber (Daybreak Red) överträffade GPT‑5.6 Sol (Daybreak Blue) i denna utvärdering tack vare sin specialiserade träning.

Vi utvärderade även GPT‑5.6‑Cyber med vår interna utvärdering av sårbarhetsidentifiering och rapportskrivning, där en Agent får en öppen Prompt om att hitta sårbarheter i ett Förvar med en känd sårbarhet. Modeller får poäng i utvärderingen genom att hitta allvarliga och åtgärdbara sårbarheter, antingen nya eller kända, utveckla ett fungerande koncepttest och lämna in en sårbarhetsrapport av hög kvalitet. Både GPT‑5.6 Sol och GPT‑5.6‑Cyber förbättras jämfört med GPT‑5.5‑Cyber. GPT‑5.6‑Cyber presterar sämre än GPT‑5.6 Sol i denna utvärdering, vilket vi tror beror på att Modellen ibland skapar kortare och mindre detaljerade sårbarhetsrapporter.

Slutligen mätte vi förmågan att utveckla exploits med ExploitBench³, en utvärdering som testar en Agents förmåga att utveckla en V8-sårbarhet till ett fullständigt exploit. Denna exploateringsuppgift är svårare än ExploitGym – fler skydd, exempelvis V8-sandlådan, förblir aktiverade och Agenten får mindre information om sårbarheten som ska utnyttjas. I standardinställningen, där Agenter begränsas till 300 turer, löser GPT‑5.6 Sol (Daybreak Blue) uppgifterna med färre Token och presterar bäst. Om vi utökar standardinställningen från 300 till 600 turer minskar prestandaskillnaden mellan de två Modellerna.

Utöver resultaten från utvärderingarna gav vi även en grupp betrodda kundpartner tidig åtkomst till GPT‑5.6‑Cyber. Dessa kunder har med stor framgång använt Modellerna för att effektivisera sina defensiva arbetsflöden:

Hitta och åtgärda sårbarheter i verklig programvara

Förmågorna hos GPT‑5.6‑Cyber sträcker sig bortom resultat på forskningsutvärderingar till sårbarhetsforskning i verkliga miljöer. Sårbarhetsforskning i verkliga miljöer kräver ofta uthålligt Resonemang i stora och obekanta kodbaser. Forskare måste formulera och testa hypoteser, spåra samverkan mellan flera komponenter, återskapa oväntade beteenden och avgöra om en misstänkt sårbarhet kan utnyttjas i praktiken.

Sedan träningen av Modellen GPT‑5.6‑Cyber slutfördes har vi använt den för att ingående studera och förbättra utvalda programvaruprojekt. Vi använde exempelvis GPT‑5.6‑Cyber för att undersöka V8, JavaScript-motorn som används av Chrome. Vi upptäckte två tidigare okända sårbarheter som kunde kedjas samman för att skada minnet och ta sig ur V8:s heapsandlåda. Våra forskare validerade resultaten och rapporterade dem till Google genom samordnat offentliggörande av sårbarheter. Google åtgärdade sårbarheten och tilldelade den beteckningen CVE-2026-15903.

CVE-2026-15903 är en mycket allvarlig sårbarhet i V8, Chromes JavaScript-motor. Dess optimerande kompilator hoppade felaktigt över en säkerhetskontroll när värden konverterades till heltal, vilket gjorde att odefinierade värden kunde ge ett oväntat stort tal i stället för det förväntade resultatet.

Om talet används som arrayindex kan kompilatorn felaktigt anta att det ligger inom arrayens gränser och utelämna den vanliga gränskontrollen. En angripare kan då läsa eller skriva över minne som tillhör andra objekt och potentiellt köra godtycklig kod inuti Chromes sandlåda. För att ta sig ur heapsandlådan krävs i allmänhet en andra sårbarhet, som GPT‑5.6‑Cyber också hittade. Diagrammet nedan ger en översikt över denna mycket allvarliga sårbarhet.