GPT-6 Cyber 找到的是真漏洞,範圍本身就是產品

OpenAI 在 5 November 發布了 GPT-6 Cyber。發布說明具體得不像一次模型發布:它面向經過授權的安全工作,能在研究員劃定的範圍內查找並驗證漏洞,而且已經被用來發現漏洞、協助開發修正方案。
這樣的產品很難靠跑分來賣。對一個漏洞模型來說,真正要緊的是它能不能在沒見過的程式碼裡找到真實存在的問題,會不會越過被指定的目標,交出來的報告是否足以讓人重現。這幾項裡有三項說的是克制。
相比 GPT-5.6 Cyber 改了什麼
OpenAI 說 GPT-6 Cyber 比 GPT-5.6 Cyber 更強。公告裡就這一句,比轉述出來的說法單薄得多。幾個小時內,市場上開始流傳一個數字:某安全基準 48.5%,漏洞召回率超過 40%。這些數字並不以那種形式出現在 OpenAI 的發布素材裡,而沒有測試框架的跑分只是行銷數字。方向可以信,小數點別信。
資訊量更大的是關於工作流程的說法。只找到漏洞就停下來的模型,產出是一條線索。找到漏洞、寫出重現步驟、再起草補丁的模型,產出是一張工程師能直接處理的工單,價值在這一層。OpenAI 那句「已被用來協助開發修正」,比任何分數都更有分量。
真要評估它,該怎麼測
如果你帶一支安全團隊,你想要的評估跟公開排行榜完全不是一回事。先準備一批你已知答案的目標,盲跑:一個含兩個已知缺陷、外加幾個誘餌的服務,一個帶相依鏈的程式庫,一份韌體裡埋一個真問題、再放四個看起來像問題的東西。然後先量準確率,再量召回率。報了十一條發現、其中只有一條是真的,這種模型讓你多做十次調查。
第二項要量的是範圍紀律。把它指向 `staging.example.com`,明確排除 `billing.staging.example.com`,然後看它會不會照樣過去。這種失效會把安全工具變成事故,而廠商的跑分一個都不涵蓋。

第三項是它能不能安靜。一個在線上系統裡探測的 agent 會觸發告警、速率限制、WAF 規則和值班輪替。不懂自己探測會帶來多少維運成本的模型,只能對著複製環境跑。
兩用問題一點沒變
能在你的服務裡找出漏洞的能力,也能在別人的服務裡找出漏洞。模型卡寫什麼都改變不了這一點。OpenAI 在這裡做的是一套劃定範圍的策略,每一次危險能力發布都會出現同樣的做法:把護欄做進產品表面,在第一句裡寫明允許的用途,然後依賴存取控制和監控,而不依賴模型自己的判斷。
這套策略合理,但不完整。範圍由寫提示詞的那個人定義。拿著授權書的研究員和編了個像樣故事的攻擊者,敲出來的是同一句話。
這週的對沖訊號來自同一家公司。OpenAI 讓安全公司 Hacktron 對著自己的系統和整合去找漏洞。把同一類工具用在自己身上,是讓這項能力可信的姿態,也是在別人之前弄清楚這些模型到底擅長什麼的唯一辦法。
旁邊的錢
發布落在同一週。據報導,OpenAI 又募了 $11 billion,估值 $1.25 trillion,這輪尚未關閉,預計幾週內完成。報導中的投資方包括 SoftBank 和 Sequoia,總目標據說高達 $20 billion。
兩件事放在一起,策略就看得很清楚。前沿模型的研發正由私人資本以採購流程比不上的規模供養,產品線則在往專業、高後果的領域鋪,買家是有合規部門的企業。安全是最乾淨的例子:客戶本來就有安全預算,本來就有交戰規則,本來就有理由為「減少人工要讀的告警數量」付錢。
安全團隊該帶走什麼
三件事,按有用程度排。
第一,關於範圍的討論現在就是產品討論。如果你評估 GPT-6 Cyber,就要把書面的範圍執行跟偵測能力一樣狠地評估一遍。問清楚模型在約定目標之外發現問題時會怎樣,那條發現是上報還是被壓掉。一個把範圍外發現留在手裡卻不告訴你的工具,已經破壞了你給的授權。
第二,把報告格式當成差異點。產出聊天紀錄的模型對工單佇列沒用。產出重現步驟、受影響版本區間和補丁建議的模型能嵌進現有流程,而你買的正是流程。
第三,別急著退役掃描器。會推理程式碼的模型擅長那一類需要理解意圖的缺陷,比如存在但寫錯了的權限檢查。它不擅長需要窮舉的那一類,比如 fuzzer 撞出來的解析器崩潰。有意思的問題是路由:哪些發現該交給哪個工具。這個決定比大家正在引用的跑分更值錢。
決定採用的那一部分
安全團隊是軟體產業裡最會懷疑的買家,理由充分:工具出了偽陰性,被叫去的是他們。模型在示範裡漏掉一個 bug 是尷尬。模型在生產環境裡漏掉一個 bug、而有人依賴過它,就是一起有名有姓的事故。
這種不對稱決定了它怎麼落地。預計它最先用在本來就有人要讀程式碼的地方,作為 pull request 的第二意見,或者給發現排序的分流助手,而不是唯一在看的東西。預計那些檢討文章講的是多拿到的覆蓋,不是被替換掉的覆蓋。
另一個限制是價格。前沿模型讀一個大型程式碼庫,單趟就貴,而漏洞研究是多趟的事:一趟理解架構,一趟追資料流,一趟確認,一趟寫補丁。發布時每 token 多少錢都好說,有效成本是單次閱讀的四到十倍。跟一個資深工程師一週的時間比,這仍然便宜,而買家真正會比的就是這個。