OpenAI présente un score d’exploitation de 77%, mais ne prouve pas la comparaison

BigGo Finance et Gizmodo Japan rapportent qu’OpenAI a présenté le résultat d’un modèle non nommé et non commercialisé, qui devancerait GPT-6 Cyber, le spécialiste actuel de la cybersécurité, à 52.6%. Un résultat d’environ 38% pour Mythos 5.2 d’Anthropic aurait été mentionné oralement comme valeur de référence, plutôt qu’affiché sur le graphique. Il s’agit de comptes rendus secondaires de résultats présentés, et non d’une évaluation examinée de manière indépendante.⁠1⁠2

Selon Gizmodo Japan, la présentation comparait d’abord le modèle polyvalent GPT-6 Astra à GPT-6 Cyber. Une ligne rouge est ensuite apparue au-dessus des deux modèles pour représenter le modèle de cybersécurité de nouvelle génération. Les documents disponibles pour cet article n’établissent aucun résultat numérique pour GPT-6 Astra ; le chiffre de 77.0% correspond au système non commercialisé, et non à GPT-6 Cyber.⁠2

L’écart entre 77.0% et 52.6% est de 24.4 points de pourcentage. Il ne s’agit pas d’une amélioration relative de 24.4%, et parler d’un gain d’environ 25% confond deux mesures différentes. De même, le rapport d’environ deux pour un par rapport à la valeur de référence approximative de Mythos concerne ces scores précis. Il ne démontre pas que le nouveau modèle d’OpenAI est deux fois plus efficace en cybersécurité de manière générale.⁠1⁠2

La date de l’événement mérite également d’être précisée. Dans son compte rendu en japonais, Gizmodo Japan situe la présentation aux premières heures du 13 novembre 2026. La vidéo liée est intitulée “Cyber at the Frontier”, et non avec le titre inversé utilisé dans cet article. Les métadonnées indiquant une publication le 10 novembre ne permettent pas d’établir la date de la présentation, et aucune transcription lisible n’était disponible pour vérifier directement les passages consacrés au benchmark.⁠2⁠11

ExploitGym évalue une compétence plus limitée — mais plus lourde de conséquences — que la simple détection de code défectueux. Un agent reçoit une entrée de programme qui déclenche une vulnérabilité, puis tente de l’exploiter concrètement. La réussite se traduit par un impact de sécurité tangible, comme accéder à un fichier sans autorisation ou exécuter du code non autorisé. Les auteurs du benchmark distinguent la vulnérabilité de l’attaque qu’elle pourrait permettre.⁠12⁠13

Cette distinction est importante pour les défenseurs. Découvrir une faiblesse laisse une question pratique en suspens : que pourrait réellement en faire quelqu’un ? Démontrer qu’elle est exploitable peut aider à déterminer quelles réparations doivent être traitées en priorité. Cette même capacité peut aussi réduire le travail nécessaire à un attaquant. Rien dans cet aperçu n’établit qu’une organisation a été attaquée ; l’inquiétude porte sur ce qu’un système plus performant de création d’exploits pourrait rendre possible.⁠13

La description initiale d’ExploitGym a été soumise le 11 mai 2026 sous forme de prépublication et n’a pas été évaluée par les pairs. Elle décrit 898 cas tirés de vulnérabilités du monde réel touchant des applications courantes, le moteur JavaScript V8 de Google et le noyau Linux, cœur du système d’exploitation. Les chercheurs ont fait varier les protections de sécurité appliquées aux cas et regroupé les configurations dans des conteneurs logiciels reproductibles.⁠12⁠13

Ces choix de conception ne sont pas accessoires. L’exploitation dépend des protections et des conditions d’exécution entourant un bogue, ainsi que de la capacité de l’agent à raisonner à son sujet. L’évaluation initiale a conclu que l’exploitation restait difficile, mais que les agents de pointe pouvaient exploiter une part significative des vulnérabilités testées et conserver un certain taux de réussite lorsque des défenses largement utilisées étaient activées.⁠13

Dans cette évaluation antérieure, les configurations les plus performantes de Claude Mythos Preview et de GPT-5.5 ont produit respectivement 157 et 120 exploits fonctionnels. Il s’agit de modèles différents de ceux de la nouvelle comparaison. Ni ces nombres ni les 898 cas du benchmark initial ne permettent d’établir le dénominateur à l’origine des pourcentages de novembre. Pour en faire un graphique de progression, il faudrait d’abord faire correspondre les tâches et les conditions.⁠12⁠13

Les articles qui accompagnent cette annonce attribuent également à GPT-6 Cyber la découverte de 81 vulnérabilités de Firefox jusque-là inconnues et de gravité élevée, ainsi que l’examen d’environ 1,000 vulnérabilités Linux en une seule exécution, avec génération de correctifs. Ces affirmations concernent le spécialiste actuel, et non des résultats vérifiés pour le modèle non commercialisé. Examiner des vulnérabilités Linux ne signifie pas découvrir 1,000 nouvelles failles.⁠1⁠2

La génération d’un correctif ne signifie pas non plus qu’une réparation a été validée, acceptée ou déployée. Les informations disponibles ne fournissent pas de dossiers de vulnérabilité correspondants ni de résultats de correctifs permettant aux défenseurs de vérifier ces affirmations. Une solution proposée doit encore passer l’examen technique et les tests avant de pouvoir être considérée comme une réparation réussie.⁠1⁠2

Le compte rendu distinct de Gizmodo Japan sur la démonstration d’un outil défensif d’OpenAI décrit cette étape de contrôle humain : l’IA propose des modifications, une personne les examine, puis le système applique les correctifs approuvés. Cette distinction entre produire un travail de sécurité et établir sa fiabilité est utile. Elle ne confirme pas de manière indépendante les chiffres concernant Firefox ou Linux.⁠4

Les détails d’évaluation manquants vont bien au-delà du nom du modèle. La nouvelle comparaison ne précise ni le nombre de tâches, ni la version du benchmark, ni la sélection des vulnérabilités, ni les règles de notation. Elle ne clarifie pas non plus les configurations exactes des modèles, les invites, les outils, les limites de tentatives ou les budgets de temps et de calcul — ni si ces conditions étaient équivalentes d’un modèle à l’autre.⁠1⁠2

Des exécutions répétées et des estimations d’incertitude aideraient à déterminer si l’écart annoncé est stable. Des mesures de contrôle de la contamination permettraient de vérifier si une exposition préalable aux éléments de test a influé sur les performances. En l’absence de ces détails, la conclusion défendable est qu’un avantage substantiel a été annoncé sur le benchmark, et non qu’une supériorité générale en matière de sécurité dans le monde réel a été mesurée.

Le modèle non nommé n’est toujours pas commercialisé. Les éléments disponibles n’établissent ni date de sortie publique, ni politique d’accès, ni mesures de protection précises. La prochaine annonce importante ne sera donc pas nécessairement un score plus élevé : il s’agira d’une évaluation que d’autres pourront examiner, accompagnée de modalités d’accès expliquant comment OpenAI entend gérer une capacité précieuse tant pour les défenseurs que pour les attaquants.⁠1⁠2