OpenAI bemutatta autonóm sebezhetőség‑felderítési, exploit‑készítési és javítás‑generálási prototípusát, amelyet egy újabb, kiberképességekkel rendelkező modell hajtott. A pipeline egy központi célként a Linux kernel biztonsági hibáinak felkutatását és emberi kutatók számára hasznos, felhasználható bizonyítékok előállítását tűzte ki. Egy középső‑októberi 2026‑os futás során a rendszer dinamikusan reprodukált 1,724 sebezhetőséget, és 948 működő helyi jogosultságnövelés (LPE) exploit‑ot állított elő egy széles körben használt Linux‑disztribúcióra; a teljes futás API‑kreditekre számolt költsége 1,213,430 dollár volt.
Mit csinál a pipeline és hogyan dolgozik?
A prototípus öt lépésből áll:
- Vulnerability discovery: ügynökök (Scout) kiválasztják a biztonsági relevanciájú auditcélokat a kódban.
- Dynamic validation: triázsügynökök izolált gépeken reprodukálják a jelölt hibákat és megőrzik a futásidejű bizonyítékot (például KASAN‑összeomlásokat).
- Exploitability assessment: ExploitDev ügynökök tesztelik, hogy a validált hibák információszivárgást vagy helyi jogosultságnövelést tesznek‑e lehetővé.
- Patch generation: a modell javaslatot készít a javításra, variánsok ellenőrzésével.
- Human review: emberi biztonsági kutatók felülvizsgálják az exploitot, a javítást és a súlyosságot a maintenereknek való jelentés előtt.
A pipeline kimenete tartalmaz root‑okozati elemzést, minimális összeomlasztó proof‑of‑conceptet (PoC), egy jelölt javítást és egy teljes exploitot, hogy az emberi kutatók felmérhessék a sebezhetőség súlyosságát és felhordhassák a javítást upstream.
Mérőszámok és költségek
A főbb eredmények és költségek a 2026. középső októberi futásból:
- Scout‑fázis: 5,034 auditcél, ~2.8 millió sor kód (a Linux kernel ~7%-a) azonosítása; költség: $3,426.
- Analyst (statikus átvizsgálás): 2,308 jelölt találat előállítása (duplikációk kiszűrése után); költség: $316,549.
- Dynamic validation: 1,724 reprodukált sebezhetőség (a jelöltek ~74.7%-a); költség: $73,330.
- Kezdeti szűrés: 313 információszivárgás‑kanditát és 1,238 LPE‑kanditát azonosítottak; szűrési fázis költsége: $44,194.
- Exploitation (ExploitDev): 291 információszivárgás PoC és 1,169 működő LPE exploit előállítása; az exploitálási szakasz teljes költsége: $775,929 (ebből $84,929 információszivárgásokra és $691,000 LPE‑kanditátokra).
A futás összköltsége: $1,213,430 API‑kredit, ami körülbelül $1,279 per generált LPE‑exploitnak felel meg. Egy sikeres exploit előállítása átlagosan $359‑ba került.
Összehasonlítás bug bounty programokkal és más környezettel
- Alkalmazva történelmi Pwn2Own/TyphoonPWN bounty‑összegeket ($20,000 és $70,000) a 948 exploitra, feltételesen $18.9M–$66.3M hipotetikus értéket kapunk (~16x–55x az OpenAI‑pipeline költségéhez képest).
- kernelCTF környezetben (erősen hardenelt, csökkentett támadási felülettel) a pipeline 25 információszivárgás PoC‑t és 21 LPE exploitot állított elő; a kampány API‑költsége ~ $32,936 volt, és ha a 21 sérülékenység elfogadásra kerülne, az ~ $1.5M jutalomnak felelne meg (~45x a költség).
Működési és biztonsági megfigyelések
- A futás közben és a leállás utáni 10 napon belül az OpenAI megfigyelése szerint a Linux karbantartói közösség gyorsan reagált: 61 LPE már patchelve volt upstream, 43‑nak volt staging patchje, és további ~299 sebezhetőség publikus vitában állt.
- A kezdeti statikus találatok száma túl nagy volt az emberi kézi átvizsgáláshoz; a fő operatív szűk keresztmetszet a prioritás és validálás volt (melyik esemény lép át biztonsági határon és érdemes azonnali figyelemre).
- A validáció során a jelöltek ~3.1%-a téves elemzésnek bizonyult (impossible feltétel), a többi nem reprodukálható a szükséges privilégiumok vagy nehéz race‑feltételek miatt.
- Újítások: a csapat szerint a mintavételezett 166 exploitban az ügynökök legalább 10 eddig ismeretlen Linux‑exploitatiós technikát használtak.
Modellek és orchestration tanulságok
- Korábbi futás: 2026 júliusában GPT‑5.6 Sol 166 egyedi LPE‑t talált és exploitált $513,690 API‑költséggel. A középső‑októberi futásnál az újabb cyber modell >5× több LPE‑t fedezett fel ugyanannál a kernel‑állapotnál, annak ellenére, hogy a három hónap alatt a kernelben több hardening történt.
- A csapat tapasztalata szerint erősebb modellekhez könnyebb orchestration elegendő; a túl sok kézi, technika‑scaffolding nem hozta azonos mértékű többletet a GPT‑5.6 Cyber esetében, mint a korábbi GPT‑5.5‑nél.
Patch‑generálás és minőség
- A modell által generált javítások kezdetben működőképesek voltak, de néha felesleges kóddal, stílusbeli eltérésekkel, vagy hiányos variánsvizsgálattal jártak. Iterációk és kiegészítő irányítás javították a javítások minőségét.
- OpenAI már küldött ki több száz jelentést és javítást kritikus sebezhetőségekre, a Linux közösség irányelveit követve, és együtt dolgozik a Patch the Planet partnereivel a további jelentéseken és javításokon.
Stratégiai következtetések
- Az automatizált javítások elengedhetetlenek lehetnek, ha a sebezhetőség‑felderítés üteme tovább gyorsul. Az emberi szakértők által vezérelt iterációval az AI‑generált patchek lehetnek funkcionálisan helyesek, kódstílushoz illeszkedők és ellenállóak variánsokra.
- Rövid‑ és középtávon egy frissítetlen, alacsonypadlós felhasználói fiók gyakorlatilag egy jó erőforrásokkal rendelkező támadó számára root‑hozzáféréssel egyenértékű lehet. Védelem‑mélység (sandboxok, Firecracker, gVisor) használata fontos a „blast radius” csökkentéséhez.
- Nagy projektek esetén többszöri újraellenőrzés és javítás valószínűleg szükséges a rejtett hibák „kikopásához”. Minden modellgeneráció remélhetőleg segíthet csökkenteni a következő generáció számára felfedezhető sebezhetőségek számát.
Záró megjegyzés
OpenAI Cyber csapata célja, hogy a frontier modellek növekvő kiber‑képességét a védekezők javára fordítsa: sebezhetőségek megtalálásával, validálásával és javításával csökkenteni a támadók lehetőségeit és növelni a támadás költségét. A kutatás hangsúlyozza a felelős koordinációt a maintainerekkel, a folyamatos újraszkennelést, és a modell‑alapú eszközök integrálását a szoftverbiztonsági munkafolyamatokba.
