OpenAI rapporterade den 4 november 2026 att en prototyp av sårbarhetsforskningspipeline, driven av en av dess outgivna cybermodeller, upptäckte och beväpnade 948 unika lokala privilegieskaleringssårbarheter i Linux-kärnan under en undersökning som kördes i mitten av oktober. Enligt företagets beskrivning, som täcks i detalj av Unite.AI och The Hacker News, genererade samma pipeline även kandidatpatchar för varje fynd och överlämnade hela paketet till mänskliga granskare för distribution till kärnunderhållare.
Var och en av bristerna, om de bekräftas, skulle låta en oprivilegierad lokal användare få root-åtkomst på en sårbar maskin - den typ av bugg som, på de system som Linux kör, är ett spel över-villkor. Att Linux är målet var poängen: OpenAI valde det eftersom kärnan spänner över mer än 40 miljoner rader kod och stödjer Android-telefoner, molninfrastruktur och superdatorer, vilket gör den till den mest följdriktiga kodbasen som en automatiserad forskare kunde testas mot. For more context on this story, see our ongoing AI industry coverage.
Hur rörledningen fungerar
Systemet kedjar samman flera steg: upptäckt av sårbarheter, dynamisk validering, bedömning av exploateringsbarhet, patchgenerering och slutligen mänsklig granskning. OpenAI beskriver tre klasser av agenter som gör benarbetet. Scoutagenter väljer revisionsmål baserat på hur tillgänglig kod är från lågprivilegierade sammanhang och hur säkerhetsrelevant den ser ut. Analytiker söker igenom dessa mål efter kandidatbuggar. Triage-agenter bygger och förfinar sedan proof of concept inuti virtuella maskiner som kör kärnor som är instrumenterade med Kernel Address Sanitizer, vilket bevarar runtime-bevis snarare än att bara lita på statisk analys.
Varje färdigt forskningspaket innehåller fyra artefakter: en rotorsaksanalys, ett minimalt kraschande proof of concept, en kandidatpatch och en fullständigt fungerande exploatering. OpenAI var tydligt att testningen inte gjordes mot ett avsiktligt försvagat mål - de virtuella maskinerna körde en standard skrivbordskonfiguration med SMEP, SMAP, KASLR och HARDENED_USERCOPY-reduceringar alla aktiverade.
Siffrorna bakom löpningen
Omfattningen av svepet är historien. Scoutagenter valde ut 5 034 revisionsmål som täcker ungefär 2,8 miljoner rader kod - cirka 7 procent av kärnan. Analytiker producerade 2 308 deduplicerade kandidatresultat inom 12 timmar. Dynamisk validering reproducerade sedan 1 724 av dessa sårbarheter inom ett 30-timmarsfönster, och OpenAI säger att endast 3,1 procent av de överlevande fynden återspeglade felaktig modellanalys.
Exploateringsstadiet förvandlade validering till vapen: 291 informationsläckagebevis och 1 169 fungerande lokala privilegieeskaleringsexploater, enligt OpenAI. Variantanalys – mutering av en bekräftad bugg för att hitta syskoninstanser av samma felklass – gav sedan 948 distinkta patchar, och OpenAI använder den siffran som sin rubrikräkning av unika privilegieskaleringsbuggar. Det är därför det råa exploateringstalet och siffran 948 inte stämmer överens. Företaget varnade också för att de genererade korrigeringarna förblir kandidater för underhållsgranskning, inte sammanslagna patchar.
Ett resultat halkade nästan igenom
Rapporten är ovanligt uppriktig om en nästan-miss. I en tidig körning fann OpenAI att 20 av 200 rapporterade framgångsrika utnyttjanden hade fått root genom en annan nolldag än den sårbarhet de tilldelades – vilket innebär att ett rotskal ensamt skulle ha dolt avvikelsen. Företaget skärpte uppgiftsbegränsningarna och lade till en oberoende kontroll av varje exploateringsväg som svar. Det är en detalj som spelar roll: i denna skala kan ett automatiserat system producera tekniskt korrekta resultat av fel anledningar, och endast explicit vägverifiering fångar upp det.
Kostnaden per utnyttjande faller kraftigt
OpenAIs egen jämförelse av körningar visar hur snabbt ekonomin går. Körningen i mitten av oktober kostade 1,213 miljoner USD i API-krediter – 1 279 USD per unik eskaleringsfel av privilegier. En körning i slutet av juli 2026 med GPT-5.6 Sol-modellen hade kostat 513 690 $ och gett 166 unika buggar, vilket motsvarar ungefär 3 100 $ per exploatering. Det är en mer än femfaldig ökning av nya fynd under tre månader - en period, noterar OpenAI, där kärnan fortsatte att härdas - till mindre än hälften av enhetskostnaden. Företaget presenterar sina kostnadssiffror som övre gränser, eftersom körningarna byggdes för att mäta kapacitet snarare än för att optimera utgifterna.
En separat anpassad kernelCTF-körning gav 25 informationsläckagebevis och 21 exploateringar under 112 timmar till ungefär $32 936 i API-krediter. OpenAI noterade att prissumman på cirka 1,5 miljoner USD som är kopplad till den körningen är villkorad av att alla 21 sårbarheter accepteras, inte en tillkännagiven utmärkelse – Googles kernelCTF-regler betalar 71 337 USD per kvalificerad exploatering, kräver minst 70 procent stabilitet över 20 körningar och begränsar belöningar till kvalificerande nolldagsbidrag.
Tio tekniker som experter inte hade sett
Bland ett 166-exploat som granskats av OpenAI:s team och tredjepartsexperter för kärnexploatering, bedömdes tio tekniker som genuint nya. Företaget nämnde några: beständiga elastiska objekt, sidvård, eskalering av privilegier för endast data och godtycklig typförvirring. Fullständiga tekniska detaljer undanhålls av säkerhetsskäl - ett erkännande av att samma spelbok, publicerad, omedelbart skulle vara användbar för angripare.
Från gryning till Patch the Planet
Körningen är en upptrappning av arbetet som OpenAI påbörjades tidigare 2026. Daybreak-initiativet, som lanserades med säkerhetsföretaget Trail of Bits den 22 juni 2026, parar AI-assisterad sårbarhetsforskning med expertgranskning samtidigt som underhållarna har kontroll över patchdistribution och avslöjande. Den tidigare ansträngningen rapporterade om 24 privilegieeskaleringsexploater och åtta kärn-pekare informationsläckagebevis från dess GPT-5.5 Cyber Linux-arbete - en bråkdel av denna månads uppsjö.
OpenAI säger att de redan har skickat hundratals rapporter och patchar för kritiska sårbarheter till underhållare, och resten kommer att distribueras gradvis genom Patch the Planet-partners. Den uppmanar också underhållare att återvalidera fynden mot nuvarande kod, eftersom genomsökningen i oktober hittade 61 buggar som redan var korrigerade uppströms, 43 med mellanliggande patchar på gång och 299 som hade rapporterats offentligt eller diskuterats – bevis på att kärnutvecklare hade hittat några av samma brister för hand även när modellen svepte förbi dem.
Vad det betyder för kärnsäkerhet
Flaskhalsen, som OpenAI formulerar det, förändras. Att generera potentiella potentiella kunder blir billigt och nästan obegränsat; de knappa resurserna visar nu exploateringsvägar, håller fynden aktuella mot en rörlig kodbas och producerar korrigeringar som underhållare är villiga att slå samman. Oberoende verifiering och mänsklig granskning – som fångade både fel-nolldagsfel och kvalitetsproblem i tidiga autogenererade patchar – är det som avgör om automatiserad forskning i denna skala blir användbart defensivt arbete eller bara en ny typ av rapporteringsbörda för överansträngda underhållare.
För försvarare är budskapet obekvämt men tydligt: samma pipeline som utarbetar kandidatlappar kan ge en kapabel motståndare tusentals startpunkter. Kapplöpet är nu mellan människorna som slår ihop korrigeringarna och alla som lyckas reproducera bedrifterna på egen hand.
---
Stay Ahead of AIGet the latest AI news, analysis, and breakthroughs — all in one place.
Read more AI news →
