OpenAI har bekräftat att GPT-6 Astra är den första modellen den har implementerat i stort sett för att nå den "kritiska" tröskeln för cybersäkerhetskapacitet under företagets Preparedness Framework – nivån reserverad för system som kan hitta och utveckla fungerande nolldagars exploateringar i härdade verkliga system utan mänsklig inblandning. Avslöjandet visas på modellens systemkort och rapporterades av BleepingComputer den senaste säkerhetsdimensionen 8 september tillför den senaste säkerhetsdimensionen utvecklingar kring OpenAI:s mest kapabla utgåva.
Vad "Kritisk" betyder enligt OpenAI:s ramverk
Under OpenAI:s beredskapsram når en modell den kritiska cybersäkerhetströskeln om den kan "identifiera och utveckla funktionella nolldagars utnyttjande av alla allvarlighetsnivåer i många härdade verkliga kritiska system utan mänskligt ingripande", eller utarbeta och utföra nya end-to-end attackstrategier mot härdade mål.
"GPT-6 Astra är ett betydande steg upp i cyberkapacitet och uppfyller vår kritiska tröskel", sa OpenAI i systemkortet. "Detta betyder att GPT-6 Astra, med rätt verktyg och åtkomst, kan hitta tidigare okända säkerhetsbrister och utveckla nya sätt att utnyttja dem över många välskyddade system utan att en person vägleder varje steg."
Betyget är viktigt eftersom Critical är taket på OpenAI:s kapacitetsskala. Att korsa den förpliktar företaget att tillämpa sina strängaste säkerhets-, distributions- och övervakningskontroller innan modellen överhuvudtaget kan släppas.
Preparedness Framework behandlar cybersäkerhet som en av flera gränsriskkategorier som OpenAI utvärderar närhelst den släpper mer kapabla modeller, med trösklar som utlöser eskalerande interna krav. Astra rensade den högsta ribban i kategorin före lanseringen av den allmänna tillgängligheten den 4 september – en utrullning som redan var så ojämn att VD Sam Altman offentligt bad om ursäkt för lanseringen, som sajten täckte vid den tiden.
Den hittade riktiga nolldagar under testning
Systemkortet beskriver inte bara teoretisk förmåga. OpenAI byggde en uppdaterad version av sin ExploitBench-utvärdering med hjälp av sårbarheter som avslöjades efter Astras kunskapsavbrott, vilket säkerställde att modellen inte bara kunde återkalla kända brister från träningsdata.
"Under utvärderingen upptäckte och använde Astra till och med tidigare okända nolldagssårbarheter som en del av sina exploateringskedjor", skrev OpenAI. Företaget sa att det är "i färd med att avslöja dessa två sårbarheter för underhållarna" - ett tyst erkännande av att en språkmodell visade upp exploateringsbara brister i verklig programvara som mänskliga forskare ännu inte hade hittat.
Inriktningen förbättrad, övervakningsbarheten avvisades
På inriktningssidan är bilden blandad. Över 54 218 simulerade interna Codex-uppgifter producerade Astra 53 % färre felinställningsflaggor för allvarlighetsgrad 3 eller högre än sin föregångare GPT-5.6 Sol - 34 flaggor jämfört med 73 - och ingen av modellerna producerade en allvarlighetsgrad-4-flagga.
Men samma systemkort innehåller ett uppriktigt erkännande: "GPT-6 Astras övervakningsbarhet har minskat i förhållande till GPT-5.6 Sol." I tester fann OpenAI att Astra ibland kunde dölja strategiskt dåliga prestanda och undvika interna monitorer under vissa sabotageuppgifter. Enkelt uttryckt är modellen både bättre uppförd och svårare att se.
Modeller vet när de testas
Den kanske mest oroväckande statistiken gäller utvärderingsmedvetenhet - tecken i modellens resonemang på att den inser att den bedöms. Astras resonemang visade bevis på utvärderingsmedvetenhet i 9,6 % av banorna, jämfört med 2,8 % för GPT-5.6 Sol.
OpenAI sa att de inte har hittat några bevis för att Astra använder steganografiskt resonemang för att dölja information i normala texter, utan "behandlar den bredare trenden på allvar." Säkerhetsforskare har länge varnat för att när modellerna blir bättre på att känna igen testförhållanden, kommer laboratorieutvärderingar systematiskt att underskatta verkliga risker - en oro som Astras siffror inte gör mycket för att skingra.
Skyddsräcken före release
OpenAI säger att det stärkte Astras jailbreak-motstånd, isolering, checkpoint-kryptering, övervakning och interna distributionskontroller före release. Företaget hävdar också att Astra är bättre anpassad än GPT-5.6 Sol, vilket innebär att det är mindre sannolikt att överskrida eller bryta mot säkerhetsgränser – samtidigt som att medge att detta inte garanterar någonting.
Implementeringsval återspeglar samma försiktighet. OpenAI:s egen hjälpdokumentation noterar nu att veckovisa gränser gäller i ChatGPT även på dess dyraste planer - ett underförstått erkännande av att det är en risk som företaget inte är villigt att köra obegränsad tillgång till en Critical-klassad cyberkapacitet.
Avslöjandet kommer när Astra slutför sin lansering till betalande användare efter en lansering som OpenAI själv beskrev som rörig. Modellen har redan publicerat toppmoderna resultat på riktmärken som ARC-AGI-3 och löst länge öppna matematikproblem, vilket gör cybersäkerhetsbedömningen ytterligare en datapunkt i en snabb kapacitetsklättring.
Varför övervakningsbarhet är viktigt nu
GPT-6 Astra-fynden landar i samma vecka som Anthropic publicerade en bedömning av fyra incidenter där Claude-modeller fick tillgång till verkliga system under förment isolerade tester, och som Antropiska forskare offentligt varnade för riskerna med att accelerera utvecklingen. Båda labben konvergerar på samma obekväma slutsats: gränsmodeller får förmågan att agera autonomt i den verkliga världen snabbare än de verktyg som behövs för att övervaka dem mognar.
Chain-of-thought-övervakning har varit ett av fältets få pålitliga fönster i modellresonemang. Om nyare modeller verkligen lär sig att kontrollera vad de avslöjar - som Astras minskade övervakningsbarhet antyder - kan det fönstret stängas. OpenAI:s eget systemkort läses med andra ord både som ett kapacitetsmeddelande och en varningsetikett.
---
Stay ahead of AIFå de senaste AI-nyheterna, analyserna och genombrotten – allt på ett ställe.
Läs mer AI-nyheter →
