OpenAI a rapporté le 4 novembre 2026 qu'un prototype de pipeline de recherche sur les vulnérabilités, alimenté par l'un de ses cybermodèles inédits, a découvert et militarisé 948 vulnérabilités locales uniques d'élévation de privilèges dans le noyau Linux lors d'une recherche menée à la mi-octobre. Selon l'article de la société, couvert en détail par Unite.AI et The Hacker News, le même pipeline a également généré des correctifs candidats pour chaque découverte et a remis le package complet à des réviseurs humains pour distribution aux responsables du noyau.

Chacune des failles, si elle est confirmée, permettrait à un utilisateur local non privilégié d'obtenir un accès root sur une machine vulnérable – le genre de bug qui, sur les systèmes exécutés par Linux, est une condition de fin de jeu. Le fait que Linux soit la cible était l'essentiel : OpenAI l'a choisi parce que le noyau s'étend sur plus de 40 millions de lignes de code et sous-tend les téléphones Android, l'infrastructure cloud et les superordinateurs, ce qui en fait la base de code la plus conséquente sur laquelle un chercheur automatisé pourrait être testé. Pour plus de contexte sur cette histoire, consultez notre tendances IA.

Comment fonctionne le pipeline

Le système enchaîne plusieurs étapes : découverte de vulnérabilités, validation dynamique, évaluation d’exploitabilité, génération de correctifs et, enfin, examen humain. OpenAI décrit trois classes d'agents effectuant les démarches. Les agents Scout choisissent des cibles d'audit en fonction de la façon dont le code est accessible à partir de contextes peu privilégiés et de son aspect pertinent en matière de sécurité. Les agents analystes analysent ces cibles à la recherche de bogues candidats. Les agents de triage créent et affinent ensuite des preuves de concept au sein de machines virtuelles exécutant des noyaux instrumentés avec Kernel Address Sanitizer, préservant ainsi les preuves d'exécution plutôt que de se fier uniquement à l'analyse statique.

Chaque ensemble de recherche terminé contient quatre artefacts : une analyse des causes profondes, une preuve de concept minimale en cas de crash, un correctif candidat et un exploit fonctionnel complet. OpenAI a clairement indiqué que les tests n'avaient pas été effectués sur une cible délibérément affaiblie : les machines virtuelles exécutaient une configuration de bureau standard avec les atténuations SMEP, SMAP, KASLR et HARDENED_USERCOPY toutes activées.

Les chiffres derrière la course

L’ampleur du balayage est l’histoire. Les agents Scout ont sélectionné 5 034 cibles d'audit couvrant environ 2,8 millions de lignes de code, soit environ 7 % du noyau. Les agents analystes ont produit 2 308 résultats de candidats dédupliqués en 12 heures. La validation dynamique a ensuite reproduit 1 724 de ces vulnérabilités dans un délai de 30 heures, et OpenAI affirme que seulement 3,1 % des résultats survivants reflétaient une analyse incorrecte du modèle.

L’étape d’exploit a transformé la validation en arme : 291 preuves de concept de fuite d’informations et 1 169 exploits d’élévation de privilèges locaux fonctionnels, selon OpenAI. L'analyse des variantes – muter un bogue confirmé pour trouver des instances sœurs de la même classe de failles – a ensuite produit 948 correctifs distincts, et OpenAI utilise ce chiffre comme décompte principal des bogues uniques d'élévation de privilèges. C’est pourquoi le nombre brut d’exploits et le chiffre 948 ne correspondent pas. La société a également averti que les correctifs générés restent candidats à l'examen par le responsable, et non aux correctifs fusionnés.

Un résultat presque ignoré

Le rapport est inhabituellement franc sur un quasi-accident. Lors d'une première exécution, OpenAI a découvert que 20 des 200 exploits réussis signalés avaient obtenu la racine via une vulnérabilité zero-day différente de celle qui leur avait été attribuée, ce qui signifie qu'un shell racine à lui seul aurait caché l'écart. L'entreprise a renforcé les contraintes des tâches et ajouté une vérification indépendante du chemin de chaque exploit en réponse. C’est un détail qui compte : à cette échelle, un système automatisé peut produire des résultats techniquement corrects pour de mauvaises raisons, et seule une vérification explicite du chemin permet de le détecter.

Le coût par exploit diminue fortement

La propre comparaison des exécutions d'OpenAI montre à quelle vitesse l'économie évolue. L'exécution de la mi-octobre a coûté 1,213 million de dollars en crédits API, soit 1 279 dollars par bug d'élévation de privilèges unique. Une exécution fin juillet 2026 utilisant le modèle GPT-5.6 Sol avait coûté 513 690 $ et généré 166 bogues uniques, ce qui équivaut à environ 3 100 $ par exploit. Cela représente une multiplication par cinq des nouvelles découvertes sur trois mois – une période, note OpenAI, au cours de laquelle le noyau a continué à être renforcé – pour moins de la moitié du coût unitaire. L'entreprise présente ses coûts comme des limites supérieures, puisque les essais ont été construits pour mesurer la capacité plutôt que pour optimiser les dépenses.

Une exécution kernelCTF adaptée séparément a produit 25 preuves de concept de fuite d'informations et 21 exploits sur 112 heures pour environ 32 936 $ en crédits API. OpenAI a noté que le montant de la prime d'environ 1,5 million de dollars attaché à cette exécution est conditionnel à l'acceptation des 21 vulnérabilités, et non à une récompense annoncée : les règles kernelCTF de Google paient 71 337 $ par exploit éligible, exigent au moins 70 % de stabilité sur 20 exécutions et limitent les récompenses aux soumissions Zero Day éligibles.

Dix techniques que les experts n'avaient pas vues

Parmi un échantillon de 166 exploits examiné par l'équipe d'OpenAI et des experts tiers en exploitation du noyau, dix techniques ont été jugées véritablement nouvelles. L'entreprise en a cité quelques-uns : les objets élastiques persistants, le nettoyage des pages, l'élévation des privilèges des données uniquement et la confusion des types arbitraires. Tous les détails techniques sont retenus pour des raisons de sécurité – une reconnaissance du fait que le même manuel, publié, serait immédiatement utile aux attaquants.

De l'aube à la réparation de la planète

Cette exécution est une escalade du travail qu'OpenAI a commencé plus tôt en 2026. L'initiative Daybreak, lancée avec la société de sécurité Trail of Bits le 22 juin 2026, associe la recherche sur les vulnérabilités assistée par l'IA à l'examen par des experts tout en laissant aux responsables le contrôle du déploiement et de la divulgation des correctifs. Cet effort précédent avait signalé 24 exploits d'élévation de privilèges et huit preuves de concept de fuite d'informations sur le pointeur du noyau provenant de son travail GPT-5.5 Cyber ​​Linux – une fraction de la récolte de ce mois-ci.

OpenAI affirme avoir déjà envoyé des centaines de rapports et de correctifs pour les vulnérabilités critiques aux responsables, le reste devant être distribué progressivement par l'intermédiaire des partenaires de Patch the Planet. Il exhorte également les responsables à revalider les résultats par rapport au code actuel, puisque l'analyse d'octobre a trouvé 61 bogues déjà corrigés en amont, 43 avec des correctifs intermédiaires en attente et 299 qui avaient été publiquement rapportés ou discutés – preuve que les développeurs du noyau avaient trouvé certaines des mêmes failles à la main alors même que le modèle les balayait.

Ce que cela signifie pour la sécurité du noyau

Le goulot d’étranglement, tel qu’OpenAI le présente, est en train de changer. Générer des pistes de vulnérabilité devient bon marché et presque illimité ; les rares ressources prouvent désormais les chemins d'exploitation, maintiennent les résultats à jour par rapport à une base de code en mouvement et produisent des correctifs que les responsables sont prêts à fusionner. La vérification indépendante et l'examen humain - qui ont détecté à la fois les échecs erronés du jour zéro et les problèmes de qualité dans les premiers correctifs générés automatiquement - déterminent si la recherche automatisée à cette échelle devient un travail défensif utilisable ou simplement un nouveau type de charge de reporting pour les mainteneurs débordés.

Pour les défenseurs, le message est inconfortable mais clair : le même pipeline qui rédige les correctifs candidats peut donner à un adversaire compétent des milliers de points de départ. La course se joue désormais entre ceux qui fusionnent les correctifs et quiconque parvient à reproduire les exploits par lui-même.

---

Restez à la Pointe de l'IA

Les dernières actualités, analyses et percées en IA — au même endroit.

Lire plus d'actualités IA →