GPT-6 Cyber が見つけるのは本物の脆弱性、範囲そのものが製品だ

OpenAI は 5 November に GPT-6 Cyber を発表した。モデル発表としては異例なほど説明が具体的だ。認可されたセキュリティ業務のために作られ、研究者が定めた範囲の内側にとどまったまま脆弱性を見つけて検証し、実際に脆弱性の特定と修正の開発に使われてきたという。
ベンチマークで売るには妙な製品である。脆弱性モデルで重要なのは、見たことのないコードの中から本物の問題を見つけられるか、指定された標的の外へはみ出さないか、そして出力するレポートが人間に再現できる品質かどうかだ。四つのうち三つは自制についての話になる。
GPT-5.6 Cyber から何が変わったか
OpenAI は GPT-6 Cyber が GPT-5.6 Cyber を上回ると述べている。発表文で語られているのはそれだけで、各社の報道から受ける印象よりずっと薄い。数時間のうちに、サイバー系ベンチマークで 48.5%、脆弱性の再現率が 40% 超という数字が市場ノートに出回った。OpenAI の発表資料にその形では存在しない数字であり、ハーネスのないベンチマークスコアはマーケティングの数字でしかない。方向は妥当としても、小数第1位は未検証と見るべきだ。
もっと情報量が多いのはワークフローについての主張だ。脆弱性を見つけて止まるモデルが出すのは手がかり一本である。見つけ、再現手順を書き、パッチの下書きまで作るモデルが出すのは、エンジニアがそのまま動かせるチケットで、価値はそこにある。修正の開発を支援するために使われてきたという一文は、どんなスコアよりも多くのことを語っている。
実際に評価するならこうする
セキュリティチームを率いているなら、欲しい評価は公開リーダーボードとは似ても似つかない。答えをすでに知っている標的を用意して、ブラインドで走らせる。既知の欠陥が二つと囮がいくつか入ったサービス、依存関係の連鎖を持つライブラリ、本物の問題が一つと、それらしく見えるものが四つ入ったファームウェア。そして精度を先に、再現率を後に測る。十一件の指摘のうち本物が一件だけなら、そのモデルは調査を十回分増やしたことになる。
二つ目に測るのは範囲の規律だ。`staging.example.com` を指し、`billing.staging.example.com` を明示的に除外して、それでもそこへ行くかを見る。この失敗はセキュリティツールをインシデントに変える。ベンダーのベンチマークが一つも覆っていない領域である。

三つ目は、静かにしていられるかどうかだ。稼働中のシステムを探るエージェントは、アラート、レート制限、WAF ルール、オンコールのローテーションを叩く。自分の探索にかかる運用コストを理解しないモデルは、複製環境にしか向けられない。
両用の問題は動いていない
自分のサービスで脆弱性を見つける能力は、他人のサービスで見つける能力でもある。モデルカードの書き方で変わる話ではない。OpenAI がここでやっているのは範囲を切る戦略で、危険な能力の公開のたびに現れるものと同じだ。ガードレールを製品の表面に組み込み、許される用途を最初の一文に書き、モデル自身の判断ではなくアクセス制御と監視に頼る。
妥当な戦略だが、不完全でもある。範囲を決めるのはプロンプトを書く人間だ。許可証を持つ研究者も、もっともらしい筋書きを用意した攻撃者も、同じ一文を打ち込む。
今週の相殺材料は同じ会社から出た。OpenAI はセキュリティ企業の Hacktron を自社のシステムと連携に向け、脆弱性を探させた。同じ種類のツールを自分自身に向ける姿勢が、この能力に信用を与える。誰かが先にやる前に、これらのモデルが実際に何を得意とするのかを知る唯一の方法でもある。
周りにある金
発表は同じ週に重なった。OpenAI がさらに $11 billion を調達し、評価額 $1.25 trillion で、ラウンドはまだ閉じておらず数週間内に完了見込みと報じられている。投資家としては SoftBank と Sequoia の名前があり、目標総額は $20 billion に達するとも言われる。
二つを並べると戦略が読める。フロンティアモデルの開発は、調達プロセスでは追いつけない規模の民間資本で賄われ、製品ラインは専門的で結果の重い領域へ広がっていく。買い手はコンプライアンス部門を持つ企業だ。サイバーは最も分かりやすい例で、顧客にはすでにセキュリティ予算があり、エンゲージメントのルールがあり、人間が読むアラートの数を減らすものに金を払う理由がある。
セキュリティチームが持ち帰るべきこと
有用な順に三つ。
第一に、範囲の議論は製品の議論になった。GPT-6 Cyber を評価するなら、検出能力と同じ厳しさで書面化された範囲の執行を評価する。合意した標的の外で何かを見つけたときどうなるのか、その発見は報告されるのか抑えられるのかを聞く。範囲外の発見を抱えたまま黙っているツールは、その時点で与えた認可を壊している。
第二に、レポートの形式が差別化点になると考えること。チャットの記録を出すモデルはチケットキューでは使えない。再現手順、影響を受けるバージョン範囲、パッチ案を出すモデルは既存のワークフローに収まる。買っているのはそのワークフローだ。
第三に、スキャナを引退させないこと。コードを推論するモデルは、意図の理解を要する種類のバグに強い。存在するが間違っている認可チェックのようなものだ。網羅的な列挙を要する種類には弱い。ファザーが叩き出すパーサのクラッシュのようなものだ。面白い問いはルーティングにある。どの発見をどのツールに流すのか。その判断は、いま皆が引用しているスコアより値打ちがある。
採用を決める部分
セキュリティチームはソフトウェア業界で最も疑い深い買い手だ。理由もはっきりしている。ツールが偽陰性を出したとき、呼ばれるのは彼らだからだ。デモでバグを見逃すモデルは気まずい。本番でバグを見逃し、しかもそれに頼っていたとなれば、名前の付いたインシデントになる。
この非対称が配備の順番を決める。まずは人間がもともとコードを読む場面に入るだろう。プルリクエストへのセカンドオピニオン、あるいは発見を順位付けするトリアージの補助として。唯一見ているものとしてではない。振り返りの記事は、置き換えたカバレッジではなく、増えたカバレッジについて書かれるはずだ。
もう一つの制約は価格だ。フロンティアモデルが大きなコードベースを読むと、一回のパスでも高い。脆弱性調査は何度も往復する作業である。アーキテクチャを理解するために一回、データフローを追うために一回、確認に一回、パッチを書くために一回。発表時のトークン単価がいくらであれ、実効コストは一回の読解の四倍から十倍になる。それでもシニアエンジニアの一週間と比べれば安く、買い手が実際に比べるのはそこだ。
関連記事
中国製 Android のシステム UI に載った広告を切る、コミュニティ管理のタップ表
システムには触らず、アンロックも書き込みもしない。ベンダーがもともと用意したスイッチを一つずつ倒すだけだ。代償は、この一覧を書き続ける人が要ることにある。
GPT Image 2.6 はトークン単価を据え置き、請求額を上げた
GPT Image 2.6 は 2.5 のトークン単価をすべて引き継ぎながら、1 枚あたりの費用は上がった。仕事の多くが出力トークン側に移ったからだ。11 日目の価格構造は、ランキングより多くを語る。
外から IDM を作り直した人が、触れなかった部分を書き残した
Mister Download Manager は Internet Download Manager の流れを Rust で作り直し、5 倍の速度と 86 言語を掲げる。より興味深いのは、何もコピーせずにどう作ったのかを説明した段落のほうだ。
Rune はエージェントが自分の仕事を検証できるように作られた Rust UI フレームワーク
Rune はヘッドレスで描画し、要素ツリーを出力し、スクリプト化された入力を受け付ける。スクリーンショットでは決して得られない、diff できる信号をコーディングエージェントに渡せる。フレームワークはプレリリースで、プルリクエストは受け付けない。