GPT-6 Cyber: membaca benchmark dan memverifikasi perbaikan keamanan

OpenAI mengumumkan GPT-6 Cyber pada 5 November 2026. Akses awal melalui API dan Codex diberikan kepada pelanggan Daybreak Red tertentu. Tantangan tim adalah mengubah temuan menjadi perbaikan yang ditinjau dan sampai ke pengguna.

Apa yang dirilis

Kartu sistem menjelaskan varian GPT-6 Astra khusus pekerjaan keamanan berizin. Aksesnya terbatas. Pengumuman tidak berarti setiap akun API sudah bisa memakainya; artikel ini tidak mengarang ID model atau panggilan SDK.

Membaca angka dengan benar

ExploitGym naik dari 32.1% menjadi 48.5%: selisih 16.4 poin persentase, atau kenaikan relatif sekitar 51.1%. Mengeksploitasi kerentanan yang ditentukan berbeda dari menemukan cacat yang belum diketahui.

Evaluasi web tanpa kode sumber melaporkan recall 40.3%, dibandingkan 32.0% untuk Astra. Recall tidak menjelaskan beban positif palsu. Tanyakan distribusi target, anggaran alat, percobaan ulang, campur tangan manusia, dan biaya per temuan yang diterima. Situs ini tidak mereproduksi evaluasi vendor secara independen.

Linux dan Firefox: ikuti buktinya

Laporan Linux memisahkan 2,308 kandidat, 1,724 kerentanan yang direproduksi, dan 948 eksploit peningkatan hak akses lokal yang berfungsi. Dugaan lebih lemah daripada bukti pelanggaran batas izin. Peningkatan lokal membutuhkan akses lokal sebelumnya dan berbeda dari eksekusi kode jarak jauh.

Kampanye itu memakai kredit API senilai 1,213,430 dolar AS, sekitar 1,279 per eksploit lokal yang berfungsi. Ini bukan harga produk atau keseluruhan biaya tenaga kerja. Buletin Firefox memuat komponen, tingkat keparahan, dan rujukan bug. Tanggal 27 Oktober mendahului peluncuran model; penemuan, pengungkapan, perbaikan, dan pengumuman perlu dicatat terpisah.

Dari jawaban menuju perbaikan

Diagram berikut adalah usulan penulis, bukan arsitektur resmi OpenAI. Tetapkan revisi dan lingkungan terlebih dahulu. Model mengusulkan hipotesis dan patch; pelaksana terpisah mereproduksi masalah dan memeriksa perbaikan.

Simpan masukan, log, perintah, dan diff. Kasus yang sama harus gagal sebelum patch dan lulus setelahnya, disertai regresi untuk perilaku normal di sekitarnya. Menonaktifkan fitur bisa menghilangkan crash sekaligus merusak produk.

Pemeriksaan yang bisa dijalankan

Simpan kode sebagai evidence-gate.ts lalu jalankan bun run evidence-gate.ts. Kode tidak mengakses jaringan atau GPT-6 Cyber. Yang diperiksa adalah catatan lokal berisi commit, lingkungan, serta hasil sebelum dan sesudah 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,
  }),
);

Contoh menghasilkan readyForReview: true dan approved: false. Kode keluar harus berasal dari pelaksana tepercaya. Pemeriksaan ini tidak membuktikan eksploitabilitas, kebenaran patch, atau identitas peninjau; persetujuan terautentikasi dan artefak tak berubah tetap diperlukan. Ganti commit contoh dengan revisi yang benar-benar diuji.

Batas harus diterapkan saat eksekusi

Pengumuman melaporkan kepatuhan cakupan 99.93% tanpa prompt penerapan dan 100% dengannya. Ini hasil pengamatan tes, bukan jaminan universal. Kartu sistem menggolongkan kemampuan siber sebagai Critical.

Kendalikan izin target, koneksi keluar, dan kredensial di luar model. Pelaksana perlu batas anggaran dan keadaan yang bisa dibuang. Instruksi dalam repositori atau halaman luar adalah data, bukan tambahan izin.

Mengukur uji coba

Gunakan repositori sendiri dan bandingkan revisi serta anggaran yang sama. Ukur temuan unik yang diterima, reproduktibilitas, waktu peninjauan, penerimaan patch, dan waktu hingga penerapan. Laporan duplikat juga menghabiskan tenaga.

Sertakan kode mencurigakan yang tidak terjangkau, bug yang sudah diperbaiki, patch yang hanya menutupi crash, dan target tanpa izin. Ketika bukti kurang, sistem harus mempertahankan ketidakpastian dan berhenti. Menurut saya, ukuran utama adalah waktu dari temuan yang dapat direproduksi hingga perbaikan terpasang.

Referensi

AI membantu penyusunan dan penerjemahan. Fakta sumber dipisahkan dari contoh dan rekomendasi penulis.