تخطَّ إلى المحتوى
الآن

تكنولوجيا · اختبار استغلال الثغرات بالذكاء الاصطناعي

OpenAI تعرض نتيجة 77% في استغلال الثغرات، لكن المقارنة لا تزال غير مثبتة

يتقدم النموذج الذي لم تُكشف هويته، وفقًا للتقارير، على GPT-6 Cyber بمقدار 24.4 نقطة مئوية في ExploitGym. وتحد ظروف الاختبار وقواعد الوصول الناقصة من دلالة هذه النتيجة بالنسبة إلى المدافعين.

كُتب 5 دقيقة قراءة · 13 مصدرًا

HeyDex

الفيديو بلغته الأصلية

مترجم عن الأصل الإنجليزي.

تشير المعاينة الأخيرة للأمن السيبراني من OpenAI إلى نموذج أفضل بكثير في تحويل ثغرات البرمجيات إلى استغلالات ناجحة. لكن أهم جزء من المقارنة لا يزال غائبًا: معلومات كافية لمعرفة ما إذا كانت النماذج قد خضعت لاختبارات متكافئة. نتيجة 77.0% المعلنة ادعاء كبير، لكنها ليست بعدُ عرضًا قابلًا للتكرار يبيّن مدى تفوق النظام.⁠1⁠2

أفاد كل من BigGo Finance وGizmodo Japan بأن OpenAI عرضت النتيجة لنموذج لم تُكشف هويته ولم يُطرح بعد، ووضعته فوق GPT-6 Cyber، المتخصص الحالي في الأمن السيبراني، الذي سجل 52.6%. ويُقال إن نتيجة تقارب 38% لنموذج Mythos 5.2 من Anthropic ذُكرت شفهيًا كقيمة مرجعية، بدلًا من عرضها على الرسم البياني. هذه روايات ثانوية للنتائج المعروضة، وليست تقييمًا خضع لمراجعة مستقلة.⁠1⁠2

77.0%نتيجة ExploitGym المعلنة للنموذج الذي لم يُطرح بعد 12
52.6%نتيجة ExploitGym المعلنة لـ GPT-6 Cyber 12
~38%النتيجة المرجعية الشفهية لـ Mythos 5.2 12

وفقًا لـ Gizmodo Japan، قارنت العروض التقديمية في البداية بين GPT-6 Astra، ذي الأغراض العامة، وGPT-6 Cyber. ثم ظهر خط أحمر فوقهما لنموذج الأمن السيبراني من الجيل التالي. ولا توجد في المواد المتاحة لهذا التقرير نتيجة رقمية مثبتة لـ GPT-6 Astra؛ فالرقم 77.0% يعود إلى النظام الذي لم يُطرح بعد، لا إلى GPT-6 Cyber.⁠2

يبلغ الفارق بين 77.0% و52.6% مقدار 24.4 نقطة مئوية. وهذا لا يمثل تحسنًا نسبيًا بنسبة 24.4%، كما أن وصفه بأنه مكسب يقارب 25% يخلط بين مقياسين مختلفين. وبالمثل، فإن النسبة التي تقارب اثنين إلى واحد مقارنة بالقيمة المرجعية التقريبية لـ Mythos تخص هذه النتائج تحديدًا. ولا تثبت أن نموذج OpenAI الجديد أكثر فاعلية بمرتين في الأمن السيبراني عمومًا.⁠1⁠2

كما ينبغي التعامل بحذر مع توقيت الفعالية. إذ تحدد Gizmodo Japan موعد العرض في الساعات الأولى من 13 نوفمبر 2026، في روايتها باللغة اليابانية. ويحمل الفيديو المرتبط عنوان «Cyber at the Frontier»، لا العنوان المعكوس المستخدم في ذلك التقرير. ولا تثبت بيانات النشر الوصفية التي تشير إلى 10 نوفمبر موعد إقامة العرض، كما لم يتوفر نص مكتوب مقروء للتحقق مباشرة من المقاطع المتعلقة بالمعيار.⁠2⁠11

من خلل إلى هجوم

يختبر ExploitGym مهارة أضيق نطاقًا وأكثر أهمية من مجرد رصد الشيفرات البرمجية المعيبة. إذ يتلقى الوكيل مُدخلًا لبرنامج يؤدي إلى تفعيل ثغرة، ثم يحاول تطويره إلى استغلال ناجح. ويعني النجاح تحقيق أثر أمني ملموس، مثل الوصول إلى ملف من دون إذن أو تشغيل شيفرة غير مصرح بها. ويميز مؤلفو المعيار بين الثغرة والهجوم الذي قد تتيحه.⁠12⁠13

وهذا التمييز مهم للمدافعين. فالعثور على نقطة ضعف يترك سؤالًا عمليًا: ماذا يستطيع شخص ما أن يفعل بها فعليًا؟ وقد يساعد إظهار إمكانية الاستغلال في تحديد الإصلاحات التي تستحق اهتمامًا عاجلًا. ويمكن للقدرة نفسها أيضًا أن تقلل الجهد الذي يحتاج إليه المهاجم. ولا يثبت أي شيء في هذه المعاينة أن مؤسسة تعرضت لهجوم؛ بل يتمثل القلق في ما قد يتيحه نظام أكثر قدرة على بناء الاستغلالات.⁠13

قُدّم الوصف الأصلي لـ ExploitGym في 11 مايو 2026 بوصفه بحثًا أوليًا، ولم يخضع لمراجعة الأقران. ويصف 898 حالة مستمدة من ثغرات واقعية في تطبيقات عادية ومحرك JavaScript V8 من Google ونواة Linux، وهي الجزء الأساسي من نظام التشغيل. وغيّر الباحثون وسائل الحماية الأمنية المطبقة على الحالات، وجمعوا الإعدادات في حاويات برمجية قابلة لإعادة الإنتاج.⁠12⁠13

هذه الخيارات التصميمية ليست تفاصيل عرضية. إذ يعتمد الاستغلال على وسائل الحماية وظروف التشغيل المحيطة بالخلل، فضلًا عن قدرة الوكيل على الاستدلال بشأنه. ووجد التقييم الأصلي أن الاستغلال ظل صعبًا، لكن الوكلاء المتقدمين تمكنوا من استغلال نسبة ذات دلالة من الثغرات المختبرة، واحتفظوا بقدر من النجاح عند تفعيل وسائل دفاع شائعة الاستخدام.⁠13

في ذلك التقييم السابق، أنتجت أقوى الإعدادات لكل من Claude Mythos Preview وGPT-5.5 عدد 157 و120 استغلالًا ناجحًا، على التوالي. وهذان نموذجان مختلفان عن النموذجين في المقارنة الجديدة. ولا يحدد أي من هذين العددين، ولا الحالات الـ898 في المعيار الأصلي، مقام النسب المئوية المعلنة في نوفمبر. ويتطلب تحويلها إلى مخطط للتقدم مطابقة المهام والظروف أولًا.⁠12⁠13

الادعاءات العملية تحتاج إلى إثبات عملي

وتنسب الروايات المصاحبة أيضًا إلى GPT-6 Cyber اكتشاف 81 ثغرة في Firefox لم تكن معروفة من قبل، وعالية الخطورة، وفحص نحو 1,000 ثغرة في Linux في تشغيل واحد، مع توليد تصحيحات. وهذه ادعاءات عن النموذج المتخصص الحالي، وليست نتائج مؤكدة للنموذج الذي لم يُطرح بعد. وفحص ثغرات Linux لا يعني اكتشاف 1,000 خلل جديد.⁠1⁠2

كما أن توليد تصحيح لا يعني أن إصلاحًا قد جرى التحقق منه أو قبوله أو نشره. ولا تقدم التقارير المتاحة سجلات مقابلة للثغرات أو نتائج للتصحيحات تتيح للمسؤولين عن الدفاع التحقق من هذه الادعاءات. فلا بد أن يجتاز الإصلاح المقترح مراجعة هندسية واختبارات قبل اعتباره إصلاحًا ناجحًا.⁠1⁠2

ويصف تقرير منفصل لـ Gizmodo Japan عن عرض OpenAI لأداة دفاعية نقطة المراجعة البشرية هذه: يقترح الذكاء الاصطناعي تغييرات، ويراجعها شخص، ثم يطبق النظام الإصلاحات المعتمدة. وهذا تمييز مفيد بين إنتاج عمل أمني وإثبات سلامة ذلك العمل. لكنه لا يشكل تأكيدًا مستقلًا لأعداد ثغرات Firefox أو Linux.⁠4

ما الذي يجعل التفوق مقنعًا

تتجاوز تفاصيل التقييم الناقصة بكثير مسألة اسم النموذج. فالمقارنة الجديدة لا تحدد عدد المهام أو إصدار المعيار أو اختيار الثغرات أو قواعد التقييم. كما لا توضح بدقة إعدادات النماذج أو المحفزات أو الأدوات أو حدود المحاولات أو ميزانيات الوقت والحوسبة، ولا ما إذا كانت هذه الظروف متكافئة بين النماذج.⁠1⁠2

قد تساعد عمليات التشغيل المتكررة وتقديرات عدم اليقين في توضيح ما إذا كان الفارق المعلن مستقرًا. كما قد تساعد ضوابط التلوث في تحديد ما إذا كان الاطلاع المسبق على مواد الاختبار قد أثر في الأداء. ومن دون هذه التفاصيل، فإن الاستنتاج الذي يمكن الدفاع عنه هو وجود تفوق كبير معلن في المعيار، لا ميزة مقاسة وشاملة في الأمن الواقعي.

لا يزال النموذج الذي لم تُكشف هويته غير مطروح. ولا تثبت الأدلة المتاحة وجود موعد معلن لطرحه أو سياسة لإتاحة الوصول إليه أو تدابير حماية محددة. لذا، ليس الإعلان المهم التالي بالضرورة نتيجة أكبر، بل تقييمًا يستطيع الآخرون التدقيق فيه، إلى جانب ترتيبات لإتاحة الوصول توضح كيف تعتزم OpenAI إدارة قدرة ذات قيمة للمدافعين والمهاجمين على حد سواء.⁠1⁠2

المصادر12

من بين المصادر المذكورة هنا، نشر ギズモード・ジャパン أولًا، قبل بث هذا التقرير بـ18 ساعة. تبعتها 4 وسائل إعلامية أخرى.
  1. ギズモード・ジャパン
  2. Yahoo!ニュース
  3. Google News Australia (AU:en)
  4. Geeksエンジニア＆コンカフェ経営者から学ぶ
  5. iyooo
  6. HeyDay News

7 وسائل إعلامية بلا تاريخ:antenna.jpar5ivcool3c.comCuriousCatsIT業界あるあるまとめUnnamed channel

جميع المصادر حسب الوسيلة الإعلامية

13 مصدرًا من 12 وسيلة إعلام· الأكثر استشهادًا أولًا

كما بُثّ
  1. OpenAI previewed an unreleased AI model that turns software weaknesses into working exploits.
  2. The model reportedly scored 77.0 percent on ExploitGym, which tests whether AI can turn a supplied vulnerability into an exploit. That ability could help defenders prioritize repairs, and make attacks easier. How much stronger is it under comparable conditions, and who will get access?
  3. OpenAI's preview put an unnamed next-generation model above its existing cybersecurity specialist. The presentation first compared the general-purpose GPT-6 Astra with GPT-6 Cyber. Then a red line for the unreleased model appeared above them. The new model's 77.0 percent score is the figure driving the comparison.
  4. The presented scores were 77.0 percent for the unreleased model and 52.6 percent for GPT-6 Cyber. Anthropic's Mythos 5.2 was given an approximate 38 percent reference value verbally, separate from the displayed chart.
  5. The gap over GPT-6 Cyber is 24.4 percentage points. Calling that a 25 percent improvement would mix up two different measures. And the roughly two-to-one ratio against Mythos applies to these particular scores. It tells defenders about performance on this exploitation test, while broader cybersecurity work involves many other tasks.
  6. ExploitGym gives an agent an input that triggers a software vulnerability. The agent then tries to build a working exploit from it. Success means producing a concrete security impact, such as accessing a file without permission or running unauthorized code.
  7. A working exploit can show defenders which weakness needs fixing urgently. Finding a bug leaves a practical question about what someone could actually do with it. Demonstrating exploitation helps resolve that question. But the same capability can lower the barrier for attackers, so access controls become part of the security stakes.
  8. Subscribe to this channel as we follow the model's evaluation details and who will be allowed to use it.
  9. The original ExploitGym benchmark contained 898 instances drawn from real-world vulnerabilities. They covered ordinary applications, Google's V8 JavaScript engine, and the Linux kernel, the core of the operating system. Its description was submitted on May 11, 2026, as a preprint.
  10. Researchers varied the security protections around the vulnerable programs and packaged the configurations in reproducible software containers. Those are controlled environments that others can run again. Exploitation depends on the protections and runtime conditions surrounding a bug, as well as the agent's reasoning. The original study hasn't been peer reviewed.
  11. In that earlier evaluation, the strongest configurations produced 157 working exploits for Claude Mythos Preview and 120 for GPT-5.5. Those were different models. Comparing those counts with November's percentages would require matching the tasks and conditions first.
  12. The original 898 instances don't tell us how many tasks sit behind the new percentages. In the May evaluation, exploitation remained challenging, but frontier agents succeeded on a meaningful fraction of vulnerabilities. They also retained some success with widely used defenses enabled. That combination explains both the defensive promise and the risk.
  13. GPT-6 Cyber reportedly found 81 previously unknown, high-severity Firefox vulnerabilities. It also examined roughly 1,000 Linux vulnerabilities in one run and generated patches. Those claims concern the existing model, and examination of Linux vulnerabilities doesn't mean discovery of that many new flaws.
  14. Generating a patch still leaves engineers with work to do. They need to validate the fix before accepting and deploying it. The practical claims about GPT-6 Cyber don't come with vulnerability records or patch outcomes that would let defenders check those results. The unreleased model's stronger benchmark score also needs its own evaluation details.
  15. The new comparison leaves the test setup unclear. Defenders need to know which tasks counted, how success was scored, and whether models had equivalent tools and attempt limits. Repeated runs would help show how much the results vary.
  16. The presented figures show a substantial benchmark lead. Whether that translates into a comparable real-world defensive advantage is still unresolved. OpenAI also hasn't announced access arrangements or specific safeguards for this unnamed model. It remains unreleased, with no public release date.

حُدّثت الترجمة في

بُثّ مؤخرًا