GPT-6 Cyber: خواندن بنچمارک‌ها و راستی‌آزمایی اصلاحات امنیتی

OpenAI در ۵ نوامبر ۲۰۲۶ مدل GPT-6 Cyber را معرفی کرد. دسترسی اولیه از طریق API و Codex برای برخی مشتریان Daybreak Red است. مسئله عملی تیم، تبدیل یافته به اصلاح بررسی‌شده‌ای است که به کاربر برسد.

چه چیزی منتشر شده است

کارت سیستم آن را نسخه تخصصی GPT-6 Astra برای کارهای امنیتی مجاز توصیف می‌کند. دسترسی محدود است. معرفی به معنی دسترسی همه حساب‌های API نیست؛ این مقاله شناسه مدل یا فراخوانی SDK حدسی ارائه نمی‌کند.

اعداد را چگونه بخوانیم

نتیجه ExploitGym از 32.1% به 48.5% رسیده است: 16.4 واحد درصد افزایش یا حدود 51.1% بهبود نسبی. بهره‌برداری از آسیب‌پذیری مشخص و کشف نقص ناشناخته دو کار متفاوت‌اند.

آزمون وب بدون کد منبع، بازیابی 40.3% را در برابر 32.0% برای Astra گزارش می‌کند. این عدد بار هشدارهای اشتباه را نشان نمی‌دهد. باید درباره اهداف، بودجه ابزار، تکرارها، دخالت انسان و هزینه هر یافته پذیرفته‌شده پرسید. این سایت ارزیابی فروشنده را مستقل تکرار نکرده است.

پیگیری شواهد Linux و Firefox

گزارش Linux میان 2,308 نامزد، 1,724 آسیب‌پذیری بازتولیدشده و 948 بهره‌برداری موفق افزایش دسترسی محلی تفکیک می‌کند. ظن با شاهد عبور از مرز مجوز یکسان نیست. افزایش دسترسی محلی به دسترسی اولیه نیاز دارد و معادل اجرای کد از راه دور نیست.

این اجرا 1,213,430 دلار اعتبار API مصرف کرد؛ حدود 1,279 دلار برای هر بهره‌برداری محلی موفق. این قیمت محصول یا کل هزینه نیروی انسانی نیست. اطلاعیه Firefox مؤلفه‌ها، شدت و پیوند باگ‌ها را ارائه می‌کند. تاریخ ۲۷ اکتبر پیش از معرفی مدل است؛ کشف، افشا، اصلاح و معرفی باید جدا ثبت شوند.

از پاسخ مدل تا اصلاح

نمودار پیشنهاد نویسنده است، نه معماری رسمی. ابتدا بازبینی کد و محیط را ثابت کنید. مدل فرضیه و وصله پیشنهاد دهد؛ اجراگر جداگانه مشکل را بازتولید و اصلاح را بررسی کند.

ورودی، لاگ، فرمان و diff را نگه دارید. همان نمونه باید پیش از وصله شکست بخورد و پس از آن موفق شود؛ رفتار درست پیرامونی هم آزمون رگرسیون می‌خواهد. خاموش کردن قابلیت می‌تواند خرابی را پنهان و محصول را مختل کند.

بررسی شواهد قابل اجرا

کد را با نام evidence-gate.ts ذخیره و bun run evidence-gate.ts را اجرا کنید. شبکه یا GPT-6 Cyber فراخوانی نمی‌شود. یک رکورد محلی با commit، محیط و نتایج پیش و پس از وصله بررسی می‌شود.

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,
  }),
);

نمونه readyForReview: true و approved: false چاپ می‌کند. کدهای خروج باید از اجراگر قابل اعتماد بیایند. این بررسی بهره‌برداری‌پذیری، درستی وصله یا هویت بازبین را ثابت نمی‌کند؛ تأیید احرازشده و شواهد تغییرناپذیر لازم است. commit ساختگی را با نسخه واقعاً آزموده‌شده جایگزین کنید.

اعمال مرزها در لایه اجرا

اعلان، رعایت محدوده را بدون دستورهای استقرار 99.93% و با آن‌ها 100% گزارش می‌کند. این مشاهده یک آزمون است، نه تضمین همگانی. کارت سیستم توان سایبری را Critical طبقه‌بندی می‌کند.

مجوز هدف، خروجی شبکه و اعتبارنامه‌ها را بیرون مدل کنترل کنید. اجراگر به بودجه محدود و وضعیت دورریختنی نیاز دارد. دستورهای مخزن یا صفحه خارجی داده‌اند و مجوز تازه ایجاد نمی‌کنند.

چه چیزی در پایلوت سنجیده شود

از مخزن خود شروع کنید و نسخه‌ها و بودجه‌های برابر را مقایسه کنید. یافته‌های یکتای پذیرفته‌شده، بازتولیدپذیری، زمان بازبینی، پذیرش وصله و زمان تا استقرار را بسنجید. هشدار تکراری هم منابع مصرف می‌کند.

کد مشکوک دسترس‌ناپذیر، باگ اصلاح‌شده، وصله پنهان‌کننده خرابی و هدف غیرمجاز را هم اضافه کنید. در نبود شواهد، سیستم باید عدم قطعیت را حفظ و توقف کند. به نظر من معیار اصلی فاصله یافته بازتولیدپذیر تا اصلاح مستقرشده است.

منابع

برای نگارش و ترجمه از کمک هوش مصنوعی استفاده شد. حقایق منابع از نمونه و توصیه‌های نویسنده جدا شده‌اند.