GPT-6 Cyber нашла 81 опасную уязвимость в Firefox и набрала 48,5% в ExploitGym

Раньше языковые модели в безопасности в основном помогали читать логи и объяснять чужие CVE. GPT-6 Cyber, судя по опубликованным OpenAI результатам, делает следующий шаг: она не просто разбирает известные баги, а ищет новые и пишет под них эксплойты. Для тех, кто отвечает за продукт и инфраструктуру, это сигнал: темп поиска уязвимостей меняется.

Что именно показала модель

Цифры в анонсе такие. В бенчмарке ExploitGym GPT-6 Cyber набрала 48,5%, и OpenAI называет это новым рекордом. В Firefox модель обнаружила 81 ранее неизвестную уязвимость высокой степени опасности. А в Linux она показала, как 948 ошибок можно использовать для повышения привилегий.

Важно различать эти три результата. Бенчмарк измеряет способность превратить найденную ошибку в рабочий эксплойт на стандартных задачах. Поиск новых багов в Firefox — это уже реальный код, который тысячи людей ставят на свои машины. А 948 ошибок в Linux — это не 948 готовых взломов, а ошибки, которые, по заявлению OpenAI, модель сумела связать с повышением привилегий.

Как это выглядит на простом примере

Представьте, что у вас есть старый модуль на C, который разбирает пользовательский файл. Раньше аудитор неделями читал код, ставил фаззер и искал, где буфер выходит за границы. Теперь агент в Codex получает репозиторий, сам запускает сборку, пробует входные данные, видит падение и дальше выясняет: можно ли это падение превратить в выполнение чужого кода или получение прав root. Именно этот второй шаг, от «баг есть» к «баг работает», и проверяет ExploitGym.

Для защитников это хорошая новость: то, на что уходили недели, можно делать за часы и прогонять по всему коду, а не по самым критичным кускам. Для атакующих новость та же, только с обратным знаком. Недаром в комментариях к анонсу шутят: доступно ведь будет и хакерам.

Кто получит доступ и что пока неясно

Сейчас GPT-6 Cyber доступна в Codex и через API только избранным участникам программы Daybreak Red. Это похоже на осторожный выпуск: сначала проверенные исследователи, потом, возможно, шире. Ожидаемые GPT-6.2 Astra и Sol сегодня так и не вышли, так что про них говорить рано.

Ограничения тоже стоит держать в голове. Все цифры пока взяты из заявлений самой OpenAI, независимой проверки в анонсе нет. Бенчмарк на 48,5% означает, что больше половины задач модель всё же не решает. Неизвестно, сколько из 81 находки реально эксплуатируемы и сколько ложных срабатываний пришлось отсеять людям. Не раскрыто и то, сколько стоит такой прогон.

Что делать на практике

Первое: если вы поддерживаете код на C или C++, ядро, браузерные компоненты или сетевые службы, закладывайте, что ИИ-аудит станет обычной частью процесса, причём не только у вас. Окно между появлением бага и его эксплуатацией будет сжиматься.

Второе: ускоряйте цикл патчей. Если обновление зависимостей у вас занимает месяц, это уже риск. Автоматизируйте сборку, тесты и выкатку исправлений.

Третье: если вы занимаетесь безопасностью профессионально, посмотрите на программу Daybreak Red и условия доступа. Раннее знакомство с такими инструментами даст преимущество, пока они не стали массовыми.

Четвёртое: не верьте цифрам вслепую. Дождитесь независимых проверок и разборов от самих мейнтейнеров Firefox и Linux: именно они скажут, насколько находки были настоящими.

Главный вывод простой: ИИ в безопасности из помощника превращается в самостоятельного исследователя. Вопрос уже не в том, найдёт ли модель дыру в вашем коде, а в том, кто сделает это первым: вы или кто-то другой.