网络防御窗口收窄之际，拓展 Daybreak

网络安全领域正迅速变化 — 越来越多的威胁行为者将利用 AI，以前所未有的速度和规模发动网络攻击，包括完全自主的攻击手段。随着这些能力的普及，防御者的准备窗口正在收窄。我们的应对之道，是在攻击者大规模部署进攻性 AI 能力之前，把前沿智能交到全球可信防御者手中。

我们正在拓展 OpenAI Daybreak，同时已推出两个访问层级，为获批的防御者提供符合其工作需求的能力：

• Daybreak Blue 提供前沿通用模型（包括 GPT‑5.6 Sol）的访问权限，并配有针对授权防御性安全工作的安全措施。对于大多数防御者，我们建议由此入手，以支持漏洞发现、安全代码审查、恶意软件分析、事件响应和补丁验证。
• Daybreak Red 提供专门训练的网络安全模型，用于授权漏洞研究、漏洞利用验证和安全测试。

我们还将推出可通过 Daybreak Red 使用的 GPT‑5.6‑Cyber。该模型以 GPT‑5.6 Sol 为基础，经过训练，可增强处理多项专业网络安全任务的能力（例如发现零日漏洞和开发漏洞利用链），并降低拒绝部分高风险、双重用途网络任务的几率。

Daybreak 释放高级网络安全能力

正如我们此前所述⁠，GPT‑5.6 Sol 在网络安全任务上取得了业界领先的成绩。在生产环境中，我们部署系统级安全措施来筛查网络安全相关请求，以防止滥用；但这些措施也可能阻碍正当的防御工作。Daybreak Blue 访问权限移除了这些护栏，帮助防御者在事件检测与响应、调查、漏洞管理和安全评估等真实安全任务中更充分地发挥模型价值。

即使没有系统级护栏，对于渗透测试生产系统等高度双重用途的网络安全提示，GPT‑5.6 Sol 仍会拒绝执行。为解决这一问题，我们训练了可通过 Daybreak Red 使用的 GPT‑5.6‑Cyber，以进一步降低拒绝率，并提升特定任务的表现。GPT‑5.6‑Cyber 可帮助可信防御者开展正当的安全活动。

为衡量通过 Daybreak Red 使用 GPT‑5.6‑Cyber 后拒绝率的降低程度，我们创建了一项内部评估（高级网络安全完成率），用于衡量模型响应涉及漏洞利用链开发、身份验证绕过、权限提升及其他高级网络安全场景请求的频率¹。GPT‑5.6‑Cyber 可完成其中 95.0% 的请求，而 GPT‑5.6 Sol 的完成率仅为 1.5%，通过 Daybreak Blue 使用时为 2.0%。它完成的请求也多于 GPT‑5.5‑Cyber；后者仅能完成 57.3% 的请求。这证实了安全研究人员对早期模型持续拒绝问题的反馈。

我们将在下文中展示一系列网络安全提示，以及启用系统级护栏的 GPT‑5.6 Sol、GPT‑5.6 Sol (Daybreak Blue)、GPT‑5.5‑Cyber (Daybreak Red) 和 GPT‑5.6‑Cyber (Daybreak Red) 的相关模型响应。

提升网络安全表现

GPT‑5.6‑Cyber 模型经过专门训练，可提升涉及漏洞利用开发和高级安全研究的特定网络安全工作流表现。ExploitGym² 用于评估智能体能否在受控环境中将已知漏洞转化为可实现任意代码执行的有效漏洞利用程序；在该评估中，GPT‑5.6‑Cyber 的表现优于 GPT‑5.6 Sol 和 GPT‑5.5 Cyber。

GPT‑5.6‑Cyber 旨在改进的另一个方面，是发现新型零日漏洞并准确校准其严重程度的能力。我们创建了一个内部评估数据集，向模型提供某个开源代码仓库的当前版本。随后，我们要求模型生成尽可能造成最大影响的概念验证漏洞利用程序，并根据相关发现撰写技术说明。评估指标包括模型发现的严重程度和影响，以及配套技术说明的校准准确性与质量。得益于专业训练，GPT‑5.6‑Cyber (Daybreak Red) 在该基准测试中的表现优于 GPT‑5.6 Sol (Daybreak Blue)。

我们还通过内部的“漏洞发现与报告撰写”评估测试了 GPT‑5.6‑Cyber。该评估向智能体提供一个开放式提示，要求其在包含已知漏洞的代码仓库中查找漏洞。在这项评估中，模型需要发现严重且可利用的漏洞（无论是新漏洞还是已知漏洞）、开发有效的概念验证，并提交高质量漏洞报告，以此获得分数。GPT‑5.6 Sol 和 GPT‑5.6‑Cyber 的表现相比 GPT‑5.5‑Cyber 均有所提升。GPT‑5.6‑Cyber 在这项评估中的表现不及 GPT‑5.6 Sol；我们认为，这是因为该模型有时生成的漏洞报告篇幅较短、细节较少。

最后，我们使用 ExploitBench³ 衡量了漏洞利用开发能力；该评估旨在测试智能体将 V8 漏洞开发成完整漏洞利用程序的能力。这项漏洞利用任务比 ExploitGym 更难 — V8 沙箱等更多防御机制仍处于启用状态，而且提供给智能体的漏洞信息更少。在将智能体限制为 300 轮的标准设置下，GPT‑5.6 Sol (Daybreak Blue) 以更高的 Token 效率解决任务，表现最佳。如果把标准的 300 轮设置扩展到 600 轮，两个模型之间的表现差距会缩小。

除基准评估结果外，我们还向一批可信客户合作伙伴提供了 GPT‑5.6‑Cyber 的抢先体验权限。这些客户已成功使用这些模型大幅加速其防御工作流：

发现并修复真实软件中的漏洞

GPT‑5.6‑Cyber 的能力不仅体现在研究基准测试的表现上，还延伸到真实世界的漏洞研究。真实世界的漏洞研究往往需要在庞大而陌生的代码库中持续推理。研究人员必须提出并检验假设、追踪多个组件之间的交互、复现异常行为，并确定疑似漏洞能否在实践中被利用。

自 GPT‑5.6‑Cyber 模型完成训练以来，我们一直使用它对选定的软件项目开展深入研究和改进。例如，我们使用 GPT‑5.6‑Cyber 调查了 Chrome 使用的 JavaScript 引擎 V8。我们发现了两个此前未知的漏洞，这两个漏洞可相互串联以破坏内存并逃逸 V8 堆沙箱。我们的研究人员验证了这些发现，并通过协调漏洞披露流程向 Google 报告这一问题。Google 修复了该漏洞，并将其编号定为 CVE-2026-15903。

CVE-2026-15903 是 Chrome 的 JavaScript 引擎 V8 中的一个高严重性漏洞。其优化编译器在将值转换为整数时错误地跳过了一项安全检查，导致未定义值意外生成较大数值，而非预期结果。

如果将该数字用作数组索引，编译器可能错误地认定它位于数组边界内，从而省略常规边界检查。攻击者随后便可读取或覆盖属于其他对象的内存，并可能在 Chrome 沙箱内执行任意代码。逃逸堆沙箱通常还需要第二个漏洞，而 GPT‑5.6‑Cyber 也找到了这个漏洞。下图概述了这一高严重性漏洞。