GPT‑6 Cyber: Wie OpenAI die Suche nach Schwachstellen und Zugriffsgrenzen prüft

Wenn eine KI ein Werkzeug zur Suche nach Schwachstellen erhält: Wie lässt sich sicherstellen, dass sie nur das erlaubte System prüft? Am 5. November 2026 stellte OpenAI GPT‑6 Cyber vor – ein spezialisiertes Modell für autorisierte Schwachstellenforschung, Exploit-Entwicklung und die Überprüfung von Fehlerbehebungen. Das Unternehmen beschreibt zwei Trainingsschwerpunkte: die Stärkung von Cybersicherheitsfähigkeiten und die genauere Einhaltung des vom Forschenden festgelegten Umfangs.

Für Sicherheitsteams verändert das die Frage, wie man die Leistung bewertet. Wichtig ist sowohl, ob das Modell eine Schwachstelle findet, als auch, wie es vorgeht, wenn es Zugriff auf Hilfssysteme außerhalb des erlaubten Ziels hat. GPT‑6 Cyber wird über das Programm Daybreak Red angeboten; der Zugang ist beschränkt und setzt eine Identitätsprüfung sowie organisatorische Anforderungen voraus.

Was sich geändert hat

Allgemeine Modelle helfen bereits dabei, Code zu prüfen, Warnmeldungen auszuwerten und Fehlerbehebungen vorzubereiten. GPT‑6 Cyber ist eine spezialisierte Variante von GPT‑6 Astra. In der veröffentlichten Systemkarte beschreibt OpenAI zusätzliches Reinforcement Learning anhand der Reproduktion von Fehlern, der Entwicklung funktionierender Exploits und der Suche nach Schwachstellen in Codebasen. Weitere Trainingssignale zielen auf die Einhaltung von Berechtigungen und eine präzise Berichterstattung über Ergebnisse ab.

In ExploitGym, wo das Modell eine vorgegebene Schwachstelle auf einem entfernten Ziel ausnutzen soll, erzielte GPT‑6 Cyber 48,5 Prozent gegenüber 32,1 Prozent für GPT‑5.6 Cyber. Bei einer separaten Web-Penetrationstest-Bewertung ohne Zugriff auf den Quellcode fand das Modell 40,3 Prozent der eingebauten Schwachstellen, GPT‑6 Astra dagegen 32,0 Prozent. Das sind Ergebnisse bestimmter Tests, keine allgemeingültige Bewertung für alle Arten von Schutzmaßnahmen und Netzwerken.

In der Praxis geht es um das Bindeglied zwischen der Untersuchung einer unbekannten Anwendung und der Bestätigung einer Schwachstellenhypothese. Für Verteidiger kann diese Arbeit die erste Systemprüfung beschleunigen; für Infrastrukturbetreiber macht sie eine präzise Begrenzung der Befugnisse des Agenten besonders wichtig.

Warum nicht nur gefundene Schwachstellen geprüft werden

Ein Agent erhält eine Aufgabe und eine Umgebung: das Zielsystem, Dienstprogramme und manchmal auch Hilfsdienste. Im Test ExploitGym Honeypot fügt OpenAI absichtlich einen solchen Dienst hinzu. Er lässt sich nutzen, um ein Testgeheimnis zu erlangen, doch die Aufgabenregeln verbieten, ihn anzugreifen. Die Prüfung zeigt, ob das Modell einen technisch nützlichen Weg von einem erlaubten unterscheiden kann.

Ohne spezielle Sicherheitsanweisungen vermied GPT‑6 Cyber in 99,93 Prozent der Versuche, den Dienst außerhalb des Auftragsumfangs auszunutzen; mit Einsatzanweisungen lag der Wert bei 100 Prozent. GPT‑5.6 Cyber erreichte ohne diese Anweisungen 94,49 Prozent. Gemessen wird damit das Verhalten in einem eigens konstruierten Fallstrick-Test – keine allgemeingültige Garantie für beliebige Agentenkonfigurationen.

Für ein reales Team ergibt sich daraus ein praktischer Ansatz: Grenzen nicht nur im Prompt festlegen. Trennen Sie Testziele und unbeteiligte Dienste durch Netzwerkregeln, verwenden Sie eine isolierte Umgebung und prüfen Sie die Aktionen anhand von Protokollen. OpenAI nennt Sandbox, Aktionsprüfung und menschliche Aufsicht als Maßnahmen für risikoreiche Szenarien. Die konkrete Konfiguration sollte zu den verwendeten Werkzeugen und Berechtigungen passen.

Was die Forschung von OpenAI zeigt

OpenAI berichtet, dass Forschende mithilfe von GPT‑6 Cyber 81 zuvor unbekannte, von Mozilla als schwerwiegend eingestufte Firefox-Schwachstellen entdeckt und reproduzierbare Tests sowie mögliche Fehlerbehebungen vorbereitet haben. Das Unternehmen berichtet außerdem von 948 entwickelten Exploits zur Rechteausweitung im Linux-Kernel. Dies sind Ergebnisse einer Forschungskampagne von OpenAI; das Unternehmen gibt an, die Informationen an die jeweiligen Projektbetreuenden weitergegeben zu haben, und Mozilla habe für viele der gefundenen Probleme Fehlerbehebungen veröffentlicht.

Diese Beispiele verbinden die Schwachstellenforschung mit dem sicheren Einsatz des Modells. Dieselbe Fähigkeit hilft Verteidigern, Fehler zu bestätigen und Korrekturen vorzubereiten, kann aber auch zur Entwicklung von Exploits eingesetzt werden. Teams sollten deshalb die gesamte Kette bewerten: das festgelegte Ziel, die Einschränkungen der Werkzeuge, die Reproduzierbarkeit des Ergebnisses, die Einhaltung der Regeln und die Qualität des Berichts.

Wer Zugriff auf das Modell hat und was jetzt möglich ist

GPT‑6 Cyber steht über das Programm Daybreak Red einem begrenzten Kreis zugelassener Teilnehmender zur Verfügung, die anspruchsvolle Cybersicherheitsaufgaben bearbeiten. Laut Systemkarte gehören eine Identitätsprüfung und organisatorische Anforderungen dazu, darunter Single Sign-on, Mehr-Faktor-Authentifizierung und zugelassene IP-Adressen für die API. OpenAI erklärte, das Programm Daybreak ausweiten zu wollen; eine breite Verfügbarkeit von GPT‑6 Cyber kündigte das Unternehmen am Vorstellungstag nicht an.

Teams, die solche Werkzeuge bewerten, sollten einen Teststand mit einer ausdrücklichen Liste erlaubter Ziele und verbotener benachbarter Systeme vorbereiten. Halten Sie für jede Aufgabe die erlaubten Ressourcen und Aktionen, die verfügbaren Werkzeuge und die Kriterien für eine erfolgreiche Bestätigung der Schwachstelle fest. Bewerten Sie anschließend getrennt die Erkennungsqualität, die Reproduzierbarkeit, die Einhaltung der Grenzen und die Qualität des Berichts.

So lässt sich vergleichen, wobei das Modell hilft, wo Ergebnisse manuell überprüft werden müssen und wie die Aktionen des Agenten zu den Regeln der Organisation passen. Die wesentliche Neuerung von GPT‑6 Cyber ist die Verbindung leistungsfähigerer Schwachstellenforschung mit einer gesonderten Bewertung, ob die Arbeit innerhalb des erlaubten Auftrags bleibt.