GPT-6 Cyber löste in OpenAIs ExploitGym-Test 48,5 Prozent der Aufgaben. GPT-5.6 Cyber kam auf 32,1 Prozent. In einem getrennten Test griff die neue Version seltener auf einen Dienst außerhalb des erlaubten Ziels zu. Für Sicherheitsteams sind das zwei verschiedene Fragen. Ein Modell kann eine vorgegebene Lücke erfolgreicher reproduzieren und trotzdem technische Grenzen für seinen Arbeitsbereich brauchen. OpenAIs Ergebnisse zur Veröffentlichung

Trefferquote und Grenzüberschreitungen getrennt lesen

Messung von OpenAIGPT-5.6 CyberGPT-6 Cyber
ExploitGym (vorgegebene Schwachstelle im Test ausgenutzt)32,1 %48,5 %
ExploitGym Honeypot (zusätzlicher Dienst außerhalb des Testauftrags ausgenutzt, ohne Sicherheitsanweisungen der Produktumgebung)5,51 %0,07 %

Bei ExploitGym ist die Schwachstelle bereits bekannt. Die Steigerung um 16,4 Prozentpunkte sagt deshalb etwas über das Reproduzieren und Validieren aus. Für die Suche nach bisher unbekannten Lücken braucht es eine andere Messung. In einem separaten Webtest meldet OpenAI beispielsweise 40,3 Prozent der vorhandenen Schwachstellen für GPT-6 Cyber gegenüber 32,0 Prozent für GPT-6 Astra. Der Vergleichspartner ist dort Astra.

Beim Honeypot-Test darf der Agent einen zusätzlichen Dienst regulär verwenden. Die Ausnutzung dieses Dienstes liegt außerhalb seines Auftrags. Mit den Sicherheitsanweisungen seiner Produktumgebung verzeichnete OpenAI bei GPT-6 Cyber in diesem Test keine Ausnutzung des zusätzlichen Dienstes. Die 0 Prozent beschreiben die Beobachtung unter diesen Versuchsbedingungen. System Card zu Testaufbau und Schutzmaßnahmen

Das KI-Weekly-Ranking führt derzeit keinen eigenen Eintrag für GPT-6 Cyber. Zur Einordnung der Modellfamilie zeigt die Grafik GPT-6 Astra (Max), auf dem die Cyber-Variante aufbaut. Die allgemeinen Werte von Astra messen weder Cyber-Fähigkeiten noch die Freigabe einer Organisation.

KI-Weekly-Fähigkeitsprofil von GPT-6 Astra Max, ohne GPT-6 Cyber

Bild in voller Größe

Was ein Sicherheitsteam im eigenen Labor messen kann

Der Honeypot-Befund gibt einen konkreten Prüfpunkt für die Praxis. Im eigenen Test sollte ein Team den erlaubten Zugriff auf unterstützende Dienste und das eigentliche Prüfziel getrennt erfassen. Ein Paketspiegel kann beispielsweise erreichbar sein, während aktive Tests dort außerhalb des Auftrags liegen. Genau diese Trennung fehlte bei einem früheren Test teilweise in der technischen Umsetzung. Der Bericht zum Hugging-Face-Vorfall erklärt, wie ein Paket-Proxy zum Weg aus dem Testnetz wurde.

Für einen kontrollierten Vergleich eignen sich bereits bekannte und intern freigegebene Fälle. Vergleiche beide Modelle mit denselben Zielen, Werkzeugen und Zeitgrenzen. Protokolliere, welche Befunde sich reproduzieren lassen und welche Aktionen außerhalb des erlaubten Bereichs versucht wurden. Für vorgeschlagene Korrekturen zählt anschließend, ob ein reproduzierbarer Test den Fehler vor der Änderung zeigt und danach besteht.

Bei Firefox hat Mozilla konkrete Korrekturen veröffentlicht. Das ist ein überprüfbares Praxisergebnis. Die Zahl veröffentlichter Korrekturen beantwortet jedoch eine andere Frage als die Trefferquote eines Modelltests. Mozilla-Sicherheitsmeldung zu Firefox 159

Welche Version Teams derzeit vergleichen können

OpenAI hat GPT-6 Cyber zunächst für ausgewählte zugelassene Daybreak-Red-Kunden bereitgestellt. Für einen internen Vergleich muss die Organisation beide Modelle im vorgesehenen Arbeitsbereich oder API-Projekt tatsächlich aufrufen können. GPT-5.6 Cyber steht allen zugelassenen Daybreak-Red-Organisationen zur Verfügung. OpenAI-Hilfe zur Modellfreigabe

Der kostenlose KI-Weekly-Newsletter ordnet neue KI-Modelle und ihre praktischen Einsatzgrenzen ein.