Hva skjedde
OpenAI utvidet sitt Daybreak-program 10. august med separate tilgangsnivåer for defensivt arbeid og avansert sikkerhetsforskning, inkludert en spesialisert GPT-5.6-Cyber-modell.
Daybreak Blue gir godkjente forsvarere GPT-5.6 Sol med cyberfiltre på systemnivå fjernet for arbeid som sikker kodegjennomgang, malware-analyse, hendelsesrespons, sårbarhetsoppdagelse og patchvalidering. Daybreak Red legger til GPT-5.6-Cyber for autorisert utnyttelsesvalidering, penetrasjonstesting og annen dual-use forskning som den generelle modellen fortsatt kan nekte.
OpenAI sier at GPT-5.6-Cyber fullførte 95 % av forespørslene i sin interne Advanced Cybersecurity Completion Rate-evaluering, sammenlignet med 1,5 % for standard GPT-5.6 Sol, 2 % for Sol til og med Daybreak Blue, og 57,3U1C for ZXZQAI. Selskapet sier at testen dekker scenarier som utvikling av utnyttelseskjeder, omgåelse av autentisering og opptrapping av privilegier; den har ikke gitt ut evalueringssettet.
Selskapet rapporterer også at de bruker modellen for å hjelpe med å oppdage to tidligere ukjente V8-sårbarheter som kan lenkes sammen. Google tildelte den første CVE-2026-15903 og lappet den i Chrome 150. Googles utgivelsesrådgivning bekrefter uavhengig at feilen med høy alvorlighetsgrad tillot lesing og skriving utenfor grensene i V8, selv om den ikke hjelper til med å finne AI-systemet som hjelper til med å finne det.
OpenAI beskriver GPT-5.6-Cyber som en modell bygget på GPT-5.6 Sol og trent for utvalgte høyrisikooppgaver med dobbel bruk i stedet for ubegrenset offensiv bruk. Daybreak Red er kun tilgjengelig for godkjente personer og organisasjoner som utfører autorisert arbeid, med identitetsverifisering, kontosikkerhet, overvåking, begrensninger for godkjent bruk og juridiske attester. Kunngjøringen sier også at individuelle Daybreak-kontoer vil trenge maskinvaresikkerhetsnøkler fra og med 1. september 2026.
Kildedetaljer: OpenAI's GPT-5.6-Cyber and Daybreak announcement ↗
Hvorfor det betyr noe
Utgivelsen flytter en grensemodells farligere cyberfunksjoner fra en liten forskningssetting til et program for styrt tilgang, og tester om forsvarere kan motta dem før de samme teknikkene sprer seg til angripere.
Å redusere avslag er sentralt for produktet: en modell som avslår realistisk utnyttelsesarbeid kan være tryggere for generell bruk, men mindre nyttig for team som må reprodusere en sårbarhet før de kan prioritere og fikse den. Daybreak skiller bredere defensive oppgaver fra utnyttelsesutvikling med høyere risiko i stedet for å eksponere én policy for hver bruker.
V8-avsløringen er konkret bevis på at AI-assistert sårbarhetsforskning kan nå utplassert programvare. Det er også smalere enn et krav om autonomt forsvar: OpenAI sier at forskerne validerte funnene og koordinerte avsløringen med Google, mens den offentlige Chrome-rådgivningen registrerer den lappede feilen i stedet for modellens rolle i hele forskningsprosessen.
OpenAI utvider også Daybreak gjennom sikkerhetskonsulenter og teknologileverandører. Godkjente partnere beholder tilgangen til de underliggende modellene og bruker dem innenfor kundeengasjementer, med kontroller som kan inkludere identitetsverifisering, definerte omfang, logging, overvåking og menneskelig gjennomgang.
Denne partnerdesignen endrer hvem som må gi den siste milen med dømmekraft. OpenAI sier at tilgang til den underliggende modellen ikke overføres direkte til en kunde; en partner definerer engasjementet, vurderer funnene og bruker sin egen sikkerhetsekspertise før handling. I praksis avhenger derfor en nyttig distribusjon av partnerens evne til å skille en reproduserbar feil fra et spekulativt modellforslag, fortsette å teste innenfor det avtalte omfanget og flytte en bekreftet rettelse gjennom en reell programvarevedlikeholdsprosess.
Interaktiv mekanisme: Hvordan det faktisk fungerer
Utforsk den underliggende teknologien bak denne utviklingen interaktivt.
What is an adversarial example in machine learning security?
Hva du skal se neste
Se etter det lovede systemkortet, uavhengig gjengivelse av , fullført avsløring av de andre rapporterte sårbarhetene og bevis på at tilgangskontroller tåler misbruk.
De fleste ytelsestallene i kunngjøringen kommer fra OpenAIs interne implementeringer av Advanced Cybersecurity Completion Rate, ExploitGym, ExploitBench og sårbarhetsrapporteringsevalueringer. Selskapet sier at GPT-5.6-Cyber ikke vant hver sammenligning: GPT-5.6 Sol produserte bedre rapporter på én evaluering og løste standard 300-svings ExploitBench-innstillingen mer effektivt.
OpenAI rangerer GPT-5.6-Cyber på Høyt, men under Kritisk, for cybersikkerhetsevne under sitt beredskapsrammeverk. Det står at et fyldigere systemkort kommer senere. Inntil metodene og resultatene er publisert i nok detaljer til å reprodusere, støtter kunngjøringen tilskrevet selskapets påstander snarere enn et uavhengig mål på offensiv evne i den virkelige verden.
Sikkerhetssaken avhenger like mye av operasjoner som trening. Individuelle Daybreak-kontoer må ta i bruk maskinvaresikkerhetsnøkler fra og med 1. september, og OpenAI anbefaler isolerte miljøer, scoped-tillatelser, overvåkede agenthandlinger og menneskelig tilsyn. Nyttig oppfølgingsrapportering bør vise tilbakekalling av tilgang, oppdaget misbruk, tidslinjer for avsløring, utfall av oppdateringer og falske positiver etter hvert som programmet utvides.
Sammenligningen av overskriftens fullføringsrate har også en viktig måling. OpenAI sier at hver modell ble kjørt på det høyeste offentlig tilgjengelige resonnementnivået, og bemerker at GPT-5.6-Cyber har en tendens til å bruke et større resonneringsbudsjett og flere tokens enn GPT-5.6 Sol. En høyere gjennomføringsrate kan derfor reflektere både spesialisert opplæring og en annen mengde beregning. Uavhengige tester bør rapportere samsvarende budsjetter, oppgavekonstruksjon, avslagskriterier og frekvensen av usikre eller ubrukelige svar i stedet for bare om et svar ble produsert.
En moden beretning om programmet må følge hele sårbarhetens livssyklus. Det betyr å rapportere hvor ofte en modellgenerert kundeemne overlever menneskelig reproduksjon, hvor mange funn som er duplikater eller lav alvorlighetsgrad, hvor raskt leverandører mottar handlingsrettede rapporter, og om patcher distribueres før offentlig avsløring. Den bør også forklare hva som skjer når en partners kunde ber modellen om å krysse en testgrense, når en agent møter produksjonslegitimasjon, eller når en foreslått utnyttelse er for farlig til å valideres direkte. Disse kontrollene avgjør om lavere avslagsprosent skaper målbar defensiv verdi i stedet for bare å utvide tilbudet av kode for dobbeltbruk.
Offentligheten bør også kunne skille en modells kapasitet fra en kundes autorisasjon. OpenAIs tilgangsregler legger juridiske attester, identitetskontroller, overvåking og omfangsarbeid rundt modellen, men disse kontrollene er påstander om å bli testet over tid. Hendelsesrapportering bør si om en forespørsel ble blokkert, eskalert for gjennomgang eller tillatt under et dokumentert engasjement, uten å avsløre utnyttelsesdetaljer som ville gjøre et uopprettet system lettere å angripe.