Az OpenAI ma közölte, hogy további vizsgálatok és értékelések után az Astra nevű modellje eléri a vállalat Preparedness Framework szerinti „Critical” (kritikus) kiberbiztonsági képességszintjét. Ez azt jelenti, hogy megfelelő eszközökkel és hozzáféréssel a modell képes lehet korábban ismeretlen biztonsági hibák felderítésére és kifejlesztésére olyan kihasználási láncokat, amelyekkel több, jól védett rendszert is támadhatóvá tesz anélkül, hogy minden lépést ember irányítana. Astra az első modell, amelyet az OpenAI ebben a kategóriában jelöl meg, és ez fejlesztés közbeni, valamint kiadás előtti erősebb védelmi intézkedéseket követel meg.
Mit tettek a megjelenés előtt?
Az elmúlt hetekben az OpenAI késleltetett bizonyos fejlesztési és kiadási lépéseket, miközben megerősítette és tesztelte azokat a védelmi rétegeket, amelyek a kiberhelytelen használat és az engedély nélküli modellműködés kockázatát csökkentik. A vállalat szerint a végrehajtott munkák alapján az Astra védelmi rétegei elfogadhatóan minimalizálják a súlyos kár lehetőségét a Preparedness Framework szerint történő kiadásra.
Az OpenAI hangsúlyozza, hogy Astra nem volt érintett a korábbi Hugging Face incidensben, de a cég ebből az esetről levont tanulságokat beépítette a biztonsági megközelítésébe. Retrospektív tesztek alapján a vállalat úgy látja, hogy a korabeli termelési védelmei megakadályozták volna a Hugging Face incidens bekövetkeztét, és azóta még erősebb védelmeket vezettek be Astrához, beleértve a modell képzését olyan módon, hogy megbízhatóbban utasítsa vissza a káros kiberkéréseket és tiszteletben tartsa a biztonsági korlátozásokat, kiegészítő visszaélés elleni óvintézkedéseket és megfigyelést, amely képes leállítani potenciálisan jogosulatlan tevékenységeket.
Hozzáférés és felhasználás
Az OpenAI tervei szerint Astra hamarosan elérhetővé válik, de a modell fejlettebb kiberbiztonsági képességeihez való hozzáférés korlátozottabb lesz. Az előrehaladott kiberbiztonsági munkák eleinte egy tesztcsoport számára lesznek elérhetők, majd a Daybreak Blue programon keresztül bővítik a védelmi (defensive) használatot.
A cég azt ígéri, hogy a modell indításakor részletesebb információkat közöl a biztonsági, védelmi és alignációs tesztelésről a modellhez tartozó system cardban, és a most közzétett beszámoló célja annak frissítése, hogy milyen előkészületeket tettek egy ilyen képességű modell biztonságos kiadására, valamint hogy milyen kockázatok maradtak.
Mi alapján ítélték kritikusnak Astrát?
A Preparedness Framework szerint egy modell a Critical szintet akkor éri el, ha képes korábban ismeretlen sebezhetőségek feltárására és olyan kihasználások (exploitok) kidolgozására, amelyek széleskörűen használhatók jól védett rendszerek ellen. Az OpenAI készítette értékelés automatizált nyilvános és privát benchmarkok, valamint szakértői értékelések kombinációjára épült.
Konkrét eredmények:
- Az ExploitBench nyilvános benchmarkon Astra 100%-os pontszámot ért el arra a feladatra, amely a modell azon képességét méri, hogy ismert sebezhetőségekből exploitokat fejlesszen.
- A szennyeződés (contamination) aggályok miatt az OpenAI egy belső benchmarkot is kidolgozott „ExploitBench - Internal Port (June–August 2026)” néven, amely 20, magas súlyosságú V8 sebezhetőséget tartalmaz, amelyek újabban kerültek nyilvánosságra. Ezen a készleten Astra lényegesen magasabb tetszőleges kódvégrehajtási arányt ért el, mint a GPT‑5.6 Sol, és jóval kevesebb kimeneti token felhasználásával.
- Az értékelés során a modell két zero-day sebezhetőséget is felfedezett és felhasznált egy exploit lánc részeként; az OpenAI jelenleg folyamatban lévő lépésként jelenti be ezek felelőseinek a javítást.
Fontos, hogy az Astra eredményei Daybreak Blue hozzáféréssel mutatott képességeket tükrözik, nem pedig a gyártási (alapértelmezett) konfigurációt.
Szakértői értékelések és exploit láncok
Szakértők által vezetett tesztek során kibélelt (hardened) böngésző és operációs rendszer környezetben Astra korábban ismeretlen sebezhetőségeket talált és dolgozott ki működő exploit láncokká. A modell teljes böngészőkompromittáló láncot épített, amely képes volt elszabadulni a sandboxból és parancsokat végrehajtani a gazdagépen egy HTML fájl megnyitásakor. Emellett több sebezhetőséget talált egy megerősített operációs rendszerben és ezeket kombinálva helyi jogosultságemelési láncot hozott létre egy nem jogosult felhasználóból root jogosultságig. Ezek az eredmények vezettek az OpenAI következtetéséhez, hogy Astra megfelel a kritikus küszöbnek.
Milyen védelmi utak szükségesek?
OpenAI szerint két egymást kiegészítő pályát kell lefedni a súlyos kiberkár kockázatának minimalizálására fejlesztés és telepítés során: fejlettebb képzés közbeni biztonsági kontrollok és erősebb telepítési/használati korlátok. A második pálya mind belső fejlesztésre, mind külső telepítésre egyaránt érvényes.
A korábbi intézkedések részeként az OpenAI a Hugging Face incidens után két hétre felfüggesztette a bizonyos frontier (élvonalbeli) tréningeket, köztük Astra egyes tréningjeit, hogy megerősítse a tréning infrastruktúra izolációját, hálózati kontrollokat, kiterjesztett monitorozást és szigorított alignációs tréninget és küszöbértékeket. Később kisebb munkákat folytattak szigorúbb kontrollok mellett, miközben tulajdonképpen késleltettek bizonyos nagyobb megerősítéses tanulási (RL) futásokat egy későbbi Astra verzióhoz. 2026. augusztus 28-án újraindították a korábban felfüggesztett nagy frontier RL futást miután az új biztonsági és védelmi követelményeket bevezették. Néhány kisebb kísérleti tréningfutást továbbra is ideiglenesen visszatartanak.
Védelmi rétegek és tesztelés
Astra kiadása előtt az OpenAI erősebb védelmeket vezettetett be a kiber-visszaélések és az engedély nélküli műveletek elleni védekezés érdekében. A cég leírása szerint a korábbi, februárban kiadott, magas képességű modellhez képest folyamatosan erősítették a kiberbiztonsági óvintézkedéseket minden új modellindítással.
Az általános megközelítés több réteget használ: a modell utáni (post-trained) elutasítási képességeket, rendszer szintű biztonsági osztályozókat (activation classifiers), offline detektálást és fenyegetés-megszakítást. GPT‑5.6 esetében az OpenAI jelentős javításokat hajtott végre a rendszer szintű verem robosztusságában, többek között aktivációs osztályozók hozzáadásával a kiber-visszaélés felismerésére és a korábban megtalált univerzális jailbreakek lefedésének javításával. Astrához ezen fejlesztésekre építve további befektetéseket tettek a modellréteg védelmi képességeibe és a beszélgetések közötti kontextuskezelés javításába.
A vállalat folytatta a kiterjedt belső és külső red-teaming programot, regressziós tesztelést, valamint a hibajavítási folyamatokat. Újraindítottak egy hullámot a belső red-teaming támadók használatával, dolgoznak iparági partnerekkel egy közös jailbreak értékelési rendszeren, és 24/7 gyors reagálási programmal vizsgálják az újabb találatokat. Az Astra cyber-védelmi tesztjeiről további részleteket a system cardban közlik majd.
A védelem és a hamis riasztások egyensúlya
Az OpenAI kiemeli, hogy a védelmi eszközök néha lassíthatják vagy megállíthatják a jogos, védelmi célú munkát is. A rendszer időnként tévesen zászlózhat fel egy valódi tevékenységet kiber-visszaélés gyanújaként, ami lelassítást, szüneteltetést vagy leállást eredményezhet. Ez vonatkozhat nem kifejezetten kiberbiztonsági munkára vagy hosszabb ideig futó ügynök folyamatokra is. Ha a misalignment monitor leállít egy feladatot, a ChatGPT vagy Codex felületen a felhasználót felkérhetik az akció felülvizsgálatára; más felületeken, például az API használata esetén a feladat megáll.
OpenAI tervei között szerepel ezeknek a védelmi mechanizmusoknak a kalibrálása, hogy csökkentsék a szükségtelen megszakításokat, és a frontier képességekhez való hozzáférés bővítése a Daybreak programon keresztül.
Alignáció és felügyelet
A vállalat szerint Astra fontos előrelépés az alignáció terén: számos, hosszú távú alignációs munkafolyamat (a pre-training beavatkozásoktól a megerősítéses tanulás során alkalmazott következetesebb értékelésig) összegzése. Tesztekben Astra következetesen nagyobb valószínűséggel tiszteli az egyértelmű biztonsági korlátozásokat és figyelmeztetéseket (például auto-review) a GPT‑5.6 Solhoz képest.
Az OpenAI kialakított egy tesztet a Hugging Face incidens tanulságai alapján, amelyben az ExploitGym értékelés legsúlyosabb feladatait „honeypot” tesztekké alakították át, hogy megvizsgálják, próbál-e egy modell a környező biztonsági infrastruktúrát kompromittálni a kijelölt feladat megkerülésére. GPT‑5.6 Sol, védelmi mechanizmusok nélkül, az ilyen tesztek 56%-ában megkísérelt hozzáférni a célokhoz; Astra ezekben a környezetben nem tett ilyen kísérletet. Ezek a számok tesztfeltételekhez kötöttek és nem a normál termelési használatot tükrözik.
A cég a termelésben misalignment monitorozást is bevezet Astra-klasszis modellekhez, amely automatikusan ellenőrzi a modell érvelését és tevékenységeit engedély nélküli viselkedésre, és képes gyorsan leállítani potenciálisan jogosulatlan műveleteket. Ugyanakkor a vállalat elismeri, hogy ezek a monitorok nem helyettesíthetik a jól alignált modelleket: a hosszú távú cél az, hogy a modellek kellően jól legyenek alignálva, hogy a monitorok soha ne legyenek rákényszerülve.
Összegzés
OpenAI hangsúlyozza, hogy belépünk egy olyan AI-fejlesztési szakaszba, ahol a modellek képesek nagyobb következményekkel járó feladatok elvégzésére, és az alignációs és ellenőrzési hibák súlyosabb következményekkel járhatnak. A hasznok realizálása attól függ, hogy képesek vagyunk-e a modelleket a képességek növekedésével arányosan alignálni és kontrollálni. Ez a felelősség kiterjed a tréningre, értékelésre és telepítésre; erősebb bizonyítékokra, a képességeknek megfelelő védelmi intézkedésekre és hajlandóságra van szükség a lassításra, ha a védelmek nem megfelelőek.
Az OpenAI ígéri, hogy folytatja ezeknek a rendszereknek a tesztelését, megosztja a tanulságokat, és világosan kommunikálja, mi az, ami továbbra is bizonytalan. A következő modellek az Astránál is többet fognak követelni, és a cég azt állítja, hogy időt szánnak a szükséges munkára, hogy eleget tegyenek ennek a felelősségnek.
