OpenAI presenta una puntuación de explotación del 77%, pero deja sin demostrar la comparación

BigGo Finance y Gizmodo Japan informan que OpenAI mostró el resultado de un modelo sin nombre y aún no publicado, que superó al especialista en ciberseguridad existente GPT-6 Cyber, con un 52.6%. Al parecer, se mencionó en voz alta como valor de referencia un resultado de aproximadamente el 38% para Mythos 5.2 de Anthropic, en vez de mostrarlo en el gráfico. Se trata de relatos secundarios de resultados presentados, no de una evaluación revisada de forma independiente.⁠1⁠2

Según Gizmodo Japan, la presentación comparó inicialmente el modelo de uso general GPT-6 Astra con GPT-6 Cyber. Después apareció por encima de ambos una línea roja que representaba el modelo de ciberseguridad de próxima generación. El material disponible para este reportaje no establece ningún resultado numérico para GPT-6 Astra; la cifra del 77.0% corresponde al sistema aún no publicado, no a GPT-6 Cyber.⁠2

La diferencia entre el 77.0% y el 52.6% es de 24.4 puntos porcentuales. Eso no equivale a una mejora relativa del 24.4%, y describirla como una ganancia de aproximadamente el 25% confunde dos medidas distintas. Del mismo modo, la proporción de aproximadamente dos a uno frente a la cifra de referencia aproximada de Mythos se refiere a estas puntuaciones concretas. No demuestra que el nuevo modelo de OpenAI sea el doble de eficaz en ciberseguridad en general.⁠1⁠2

También hay que tratar con cautela el momento del evento. En su relato en japonés, Gizmodo Japan sitúa la presentación en las primeras horas del 13 de noviembre de 2026. El vídeo enlazado se titula «Cyber at the Frontier», y no con el título invertido que se utiliza en esa cobertura. Los metadatos indican que se publicó el 10 de noviembre, pero no establecen cuándo tuvo lugar la presentación; tampoco había una transcripción legible para verificar directamente los pasajes sobre el benchmark.⁠2⁠11

ExploitGym evalúa una habilidad más acotada —y más trascendente— que la simple detección de código defectuoso. Un agente recibe una entrada de programa que activa una vulnerabilidad y luego intenta convertirla en un exploit funcional. El éxito implica un impacto concreto en la seguridad, como acceder a un archivo sin permiso o ejecutar código no autorizado. Los autores del benchmark distinguen la vulnerabilidad del ataque que podría permitir.⁠12⁠13

Esa distinción importa a quienes se encargan de la defensa. Encontrar una debilidad deja una pregunta práctica: ¿qué podría hacer alguien realmente con ella? Demostrar que se puede explotar puede ayudar a determinar qué reparaciones requieren atención urgente. La misma capacidad también puede reducir el trabajo que necesita hacer un atacante. Nada en esta vista previa demuestra que se haya atacado a una organización; la preocupación es lo que podría posibilitar un sistema más capaz de crear exploits.⁠13

La descripción original de ExploitGym se presentó el 11 de mayo de 2026 como prepublicación y no ha sido revisada por pares. Describe 898 casos extraídos de vulnerabilidades del mundo real en aplicaciones corrientes, el motor JavaScript V8 de Google y el núcleo de Linux, el sistema operativo. Los investigadores variaron las protecciones de seguridad aplicadas a los casos y empaquetaron las configuraciones en contenedores de software reproducibles.⁠12⁠13

Esas decisiones de diseño no son incidentales. La explotación depende de las protecciones y las condiciones de ejecución que rodean a un error, así como de la capacidad del agente para razonar sobre él. La evaluación original constató que la explotación seguía siendo difícil, pero que los agentes de vanguardia podían explotar una fracción significativa de las vulnerabilidades probadas y mantenían cierto grado de éxito con defensas de uso extendido activadas.⁠13

En esa evaluación anterior, las configuraciones más sólidas de Claude Mythos Preview y GPT-5.5 produjeron 157 y 120 exploits funcionales, respectivamente. Se trata de modelos distintos de los de la nueva comparación. Ni esas cifras ni los 898 casos del benchmark original permiten establecer el denominador que hay detrás de los porcentajes de noviembre. Para convertirlos en un gráfico de progreso, primero habría que igualar las tareas y las condiciones.⁠12⁠13

Los relatos que acompañan la presentación también atribuyen a GPT-6 Cyber el hallazgo de 81 vulnerabilidades de Firefox de gravedad alta hasta entonces desconocidas y el examen de aproximadamente 1,000 vulnerabilidades de Linux en una sola ejecución, con generación de parches. Son afirmaciones sobre el especialista existente, no resultados verificados del modelo aún no publicado. Examinar vulnerabilidades de Linux no significa descubrir 1,000 fallos nuevos.⁠1⁠2

Tampoco generar un parche significa que la reparación haya sido validada, aceptada o implementada. La información disponible no proporciona registros de vulnerabilidades ni resultados de parches correspondientes que permitan a los responsables de defensa comprobar esas afirmaciones. Una solución propuesta aún debe superar la revisión de ingeniería y las pruebas antes de poder considerarse una reparación exitosa.⁠1⁠2

El relato separado de Gizmodo Japan sobre la demostración de una herramienta defensiva de OpenAI describe ese punto de control humano: la IA propone cambios, una persona los revisa y el sistema aplica las correcciones aprobadas. Es una distinción útil entre producir trabajo de seguridad y establecer que ese trabajo es sólido. No es una confirmación independiente de las cifras de Firefox o Linux.⁠4

Los detalles que faltan en la evaluación van mucho más allá del nombre del modelo. La nueva comparación no establece el número de tareas, la versión del benchmark, la selección de vulnerabilidades ni las reglas de puntuación. Tampoco aclara las configuraciones precisas de los modelos, las instrucciones, las herramientas, los límites de intentos ni los presupuestos de tiempo o cómputo, ni si esas condiciones eran equivalentes entre modelos.⁠1⁠2

Las ejecuciones repetidas y las estimaciones de incertidumbre ayudarían a mostrar si la diferencia comunicada es estable. Los controles contra la contaminación ayudarían a determinar si la exposición previa al material de prueba afectó al rendimiento. Sin esos detalles, la conclusión defendible es que se ha comunicado una ventaja sustancial en el benchmark, no una superioridad general medida en seguridad del mundo real.

El modelo sin nombre aún no se ha publicado. Las pruebas disponibles no establecen una fecha de lanzamiento pública, una política de acceso ni salvaguardias específicas. Por tanto, el próximo anuncio importante no tiene por qué ser una puntuación más alta: puede ser una evaluación que otros puedan examinar, junto con medidas de acceso que expliquen cómo pretende OpenAI gestionar una capacidad valiosa tanto para los defensores como para los atacantes.⁠1⁠2