GPT-6 Cyber: Benchmarks einordnen und Sicherheitskorrekturen überprüfbar machen

OpenAI stellte GPT-6 Cyber am 5. November 2026 vor. Zunächst erhalten ausgewählte Daybreak-Red-Kunden Zugriff über API und Codex. Für Teams zählt, wie aus einem Fund ein geprüfter und ausgelieferter Fix wird.

Was veröffentlicht wurde

Die Systemkarte beschreibt eine auf autorisierte Sicherheitsarbeit spezialisierte Variante von GPT-6 Astra. Der Zugang ist beschränkt. Aus der Ankündigung folgt keine Freischaltung für jedes API-Konto; erfundene Modellkennungen oder SDK-Aufrufe stehen deshalb nicht in diesem Artikel.

Die Zahlen richtig lesen

ExploitGym steigt von 32.1% auf 48.5%. Das sind 16.4 Prozentpunkte beziehungsweise rund 51.1% relativer Zuwachs. Eine vorgegebene Schwachstelle auszunutzen und einen unbekannten Fehler zu finden, sind unterschiedliche Aufgaben.

Der Webtest ohne Quellcode meldet 40.3% Recall gegenüber 32.0% bei Astra. Daraus ergibt sich noch nicht der Aufwand durch Fehlalarme. Vor einer Personalplanung braucht man Angaben zu Zielen, Werkzeugbudget, Wiederholungen, menschlichen Eingriffen und Kosten pro akzeptiertem Fund; diese Anbieterwerte wurden hier nicht unabhängig reproduziert.

Linux und Firefox: Belege nachverfolgen

Der Linux-Bericht unterscheidet 2,308 Kandidaten, 1,724 dynamisch reproduzierte Schwachstellen und 948 funktionierende lokale Rechteausweitungen. Verdächtiger Code ist schwächere Evidenz als eine beobachtete Grenzüberschreitung. Lokale Rechteausweitung setzt lokalen Zugriff voraus und ist keine entfernte Codeausführung.

Der Lauf verbrauchte API-Guthaben im Wert von 1,213,430 US-Dollar, rund 1,279 pro funktionierendem LPE. Das ist weder ein Produktpreis noch der vollständige Entwicklungsaufwand. Die Firefox-Sicherheitsmeldung liefert Komponenten, Schweregrade und Fehlerverweise. Ihr Datum, der 27. Oktober, liegt vor der Modellvorstellung: Fund, Meldung, Behebung und Veröffentlichung sind getrennte Ereignisse.

Vom Modellvorschlag zur Reparatur

Das Diagramm ist ein redaktioneller Prozessvorschlag, keine offizielle OpenAI-Architektur. Zuerst werden Revision und Umgebung festgehalten. Das Modell schlägt Hypothesen und Patches vor; ein separater Runner reproduziert den Fehler und prüft den Fix.

Eingabe, Protokolle, Befehle und Diff bleiben erhalten. Derselbe Reproduktionsfall muss vor dem Patch scheitern und danach bestehen; Regressionstests prüfen benachbarte gültige Abläufe. Eine abgeschaltete Funktion kann den Absturz beseitigen und zugleich das Produkt beschädigen.

Eine ausführbare Evidenzprüfung

Den Code als evidence-gate.ts speichern und mit bun run evidence-gate.ts starten. Er nutzt weder Netzwerk noch GPT-6 Cyber. Geprüft werden lokale Angaben zu Revision, Umgebung und Testergebnissen vor und nach dem Patch.

type Finding = {
  id: string;
  commit: string;
  environment: string;
  before: number;
  after: number;
  regression: number;
  reviewer: string | null;
};

function readyForReview(f: Finding): boolean {
  return (
    /^[a-f0-9]{40}$/.test(f.commit) &&
    f.environment.trim().length > 0 &&
    f.before !== 0 &&
    f.after === 0 &&
    f.regression === 0
  );
}

const finding: Finding = {
  id: "LAB-001",
  commit: "a".repeat(40),
  environment: "isolated-vm / fixture-v1",
  before: 1,
  after: 0,
  regression: 0,
  reviewer: null,
};

if (!readyForReview(finding)) {
  throw new Error("Evidence incomplete");
}
console.log(
  JSON.stringify({
    id: finding.id,
    readyForReview: true,
    approved: finding.reviewer !== null,
  }),
);

Das Beispiel liefert readyForReview: true und approved: false. Exitcodes müssen von einem vertrauenswürdigen Runner stammen. Der Code beweist weder Ausnutzbarkeit noch Patchqualität oder Prüferidentität; dafür braucht es authentifizierte Freigaben und unveränderliche Artefakte. Die fiktive Commit-ID ist durch die getestete Revision zu ersetzen.

Grenzen in der Ausführung durchsetzen

Die Ankündigung nennt 99.93% Einhaltung des Aufgabenbereichs ohne Deployment-Prompts und 100% mit ihnen. Das sind beobachtete Testergebnisse, keine allgemeine Garantie. Die Systemkarte stuft die Cyberfähigkeit als Critical ein.

Zielberechtigungen, Netzwerkausgänge und Zugangsdaten gehören unter Kontrolle außerhalb des Modells. Der Runner benötigt ein begrenztes Budget und verwerfbaren Zustand. Anweisungen in Repository-Dateien oder Webseiten sind Daten und erweitern keine Berechtigung.

Einen Pilotversuch bewerten

Mit einem eigenen Repository beginnen und gleiche Revisionen und Budgets vergleichen. Akzeptierte eindeutige Funde, Reproduzierbarkeit, Reviewzeit, Patchannahme und Zeit bis zum Deployment messen. Doppelte Meldungen verbrauchen ebenfalls Kapazität.

Negative Fälle einbauen: unerreichbaren verdächtigen Code, bereits behobene Fehler, kaschierte Abstürze und unzulässige Ziele. Bei fehlender Evidenz muss das System Unsicherheit behalten und anhalten. Mein Maßstab ist die Zeit vom reproduzierbaren Fund bis zum ausgelieferten Fix.

Quellen

KI unterstützte Entwurf und Übersetzung. Quellenangaben, ausführbares Beispiel und Empfehlungen des Autors werden getrennt ausgewiesen.