OpenAI 用 cyber 模型自動化挖掘並修補 948 個 Linux 核心本地提權漏洞
OpenAI 用 cyber 模型自動化挖掘並修補 948 個 Linux 核心本地提權漏洞
OpenAI 發布了一條以即將推出的 cyber 模型為核心的漏洞研究流水線，於 2026 年 10 月中旬在最新 Linux 核心上動態復現 1,724 個漏洞，並生成 948 個本地提權利用程式與相應補丁。
AI 伴隨問答
針對這篇報導有疑問？可直接點選快捷問題或向 AI 追問背景脈絡與技術細節：
OpenAI 公佈完整方法論與各階段 API 成本明細，讀者可據此評估自動化漏洞挖掘的成本收益與防禦啟示。
OpenAI：官網動態·2026-11-04 16:00· 16 小時前精選AI 評分80
A thousand fewer paths to root
AI 導讀
OpenAI 構建了一條由即將推出的 cyber 模型驅動的漏洞發現、驗證、利用評估與補丁生成流水線，於 2026 年 10 月中旬對最新 Linux 核心的一次執行中復現 1,724 個漏洞，生成 948 個本地提權（LPE）漏洞利用及對應補丁，總 API 成本 $1,213,430，平均每個 LPE $1,279。
推薦理由
OpenAI 官方公開了完整方法論與各階段 API 成本明細，讀者可以據此評估自動化漏洞挖掘的成本收益與防禦啟示。
少了上千條通往 root 的路徑
我們開發了一套自主的漏洞發現、利用與修補流水線。在一次使用我們網路模型的執行中，它為 Linux 中 948 個本地許可權提升漏洞完成了驗證並生成了補丁，API 成本為 120 萬美元。
分享
為什麼選擇 Linux 核心
過去，每發現一個漏洞都需要單獨開展持續的研究；如今，這類安全研究正越來越多地以系統化流程來執行。本文介紹我們在這一方向上的一次嘗試。
漏洞發現正變得越來越容易規模化，但優先順序排序和驗證仍是運營瓶頸。我們構建了一個原型，在受控研究環境中尋找 Linux 核心的安全缺陷。該原型識別並分析了 2,308 個 Linux 核心候選發現，動態復現了 1,724 個漏洞，並生成了 948 個本地許可權提升（LPE）利用程式，可讓無特權的本地使用者獲得 root 訪問許可權。
我們依據這些證據對漏洞進行優先順序排序以便上報，並開發了候選補丁供維護者稽核。按照 Linux 核心社群的指導，我們從嚴重漏洞入手，並正與 Patch the Planet 合作伙伴一起推進後續的報告和補丁工作。
今年 6 月，作為我們 Patch the Planet 計劃的一部分，我們分享了 GPT‑5.5 Cyber 已識別出 Linux 核心漏洞，並開發了 24 個本地許可權提升利用程式來驗證和上報這些漏洞。我們將這項工作擴充套件成一條流水線，由一款即將推出的網路模型驅動，覆蓋漏洞發現、動態驗證、可利用性評估和補丁生成。流水線完成後，人類研究員稽核了輸出結果，並連同補丁一起上報了發現的漏洞。
摘要
方法
從整體上看，我們的流水線是這樣運作的：首先識別出 Linux 核心中與安全相關的部分，對這些審計目標做靜態掃描，找出候選問題；然後在隔離環境中動態復現這些問題；接著構造概念驗證（PoC）利用程式，證明漏洞可被利用；再生成補丁；最後由人類安全研究員稽核結果。
流水線的產出包括根因分析、最小化的崩潰概念驗證、候選補丁，以及完整的利用程式，幫助人類研究員評估漏洞的嚴重程度並向上遊提交修復。
發現
在 2026 年 10 月中旬的一次執行中，我們的流水線使用一個即將釋出的網路安全模型，在一種常用 Linux 發行版上動態復現了 1,724 個漏洞，併為 291 個資訊洩露漏洞生成了 PoC，為 948 個可用的本地提權（LPE）漏洞生成了利用程式。整次執行花費了 1,213,430 美元的 API 額度，相當於每個 LPE 利用程式 1,279 美元。
目標虛擬機器執行的是原版桌面作業系統，而非被削弱的靶機，威脅模型與網路安全競賽（如 Pwn2Own(opens in a new window)、TyphoonPWN(opens in a new window)）所用的一致。歷史上，Pwn2Own 和 TyphoonPWN 曾為 Linux 核心 LPE 利用程式分別開出 20,000 美元和 70,000 美元的漏洞賞金。按這些歷史賞金金額計算，這 948 個利用程式的理論估值可達 1,890 萬至 6,630 萬美元，約為我們流水線成本的 16 到 55 倍。
在改造過的 kernelCTF(opens in a new window) 環境中（該環境是攻擊面有所縮減的 Linux 核心版本），我們的流水線獲得了 25 個資訊洩露 PoC 和 21 個 LPE 利用程式。作為對比，截至本文撰寫時，kernelCTF 在 2026 年共接受了 26 個已確認的 0-day LPE 利用程式。
- 這次行動在 API 額度上花費約 32,936 美元。如果這 21 個漏洞被該計劃接受，將帶來約 150 萬美元的賞金，約為掃描成本的 45 倍。
據我們所知，這條流水線中的智慧體發現並使用了至少 10 種新的 Linux 利用技術。
反思
Linux 維護者和安全社群正在努力快速發現並修復漏洞。在掃描執行的 10 天裡，我們觀察到有 100 多個 Linux LPE 已被修補，或已有其他貢獻者提交的待合併補丁，另有約 300 個正在公開討論中。
考慮到前沿模型發現漏洞的速度，我們認為自動生成補丁對於以所需速度保障軟體安全、縮短漏洞被利用的視窗至關重要。在人類專家引導下反覆迭代，我們相信 AI 生成的補丁可以在功能上正確、符合現有編碼風格，並能抵禦攻擊變體。這是一個值得進一步研究的重要方向。
能力更強的模型能夠在現有程式碼中發現新的漏洞，其中往往包括存在時間更長、更難以識別的問題。我們在 10 月中旬使用較新的網路安全模型所做的分析流水線，發現的新 LPE 數量是 7 月 GPT‑5.6 Sol 一次執行的 5 倍以上，儘管兩次掃描之間程式碼已經過了三個月的加固。
大型、複雜的軟體專案很可能需要多輪掃描和修復漏洞，才能把潛藏的缺陷“挖乾淨”。理想情況下，每推出一代新的前沿模型，都要把這個過程重做一遍。專有軟體和開源軟體都是如此。
在近期到中期內，只要攻擊者資源充足，能在某個作業系統上拿到一個低許可權賬戶，而該系統又沒有打上最新的可用補丁，那就應當認為這實際上等同於拿到了 root 許可權。縱深防禦很重要，用 Firecracker、gVisor 這類沙箱和隔離方案，可以限制漏洞被利用後波及的範圍。
我們相信，未來幾年內，只要某個軟體專案存在漏洞，前沿模型很可能就能把它們找出來；而能力稍弱的模型，也可能在漏洞披露後開發出利用手段。在一個不存在未知漏洞的世界裡，構建並維護高保障軟體將至關重要，尤其是作業系統、瀏覽器、影像解析庫、TCP/IP 協議棧等核心軟體。除了發現和修復現有漏洞，以下方向也值得未來研究，以有效擴充套件軟體安全的規模：訓練模型預設寫出安全程式碼、通過移除不必要的功能來縮小攻擊面，以及形式化驗證。
為什麼選 Linux 核心
Linux 核心支撐著 Android 裝置、雲基礎設施、超級計算機，以及數十億人使用的其他系統。核心程式碼超過 4000 萬行，通過系統呼叫、網路、檔案系統和裝置驅動暴露出很大的攻擊面。我們選擇 Linux，是想研究前沿模型在這樣規模和重要性的程式碼庫中，能多有效地發現漏洞並證明其安全影響。
最初的漏洞發現階段產生了數千條候選結果，數量太多，安全研究人員無法逐一人工審查和分類。我們這條漏洞發現流水線在運營上的難點不在於發現，而在於判斷哪些結果可以復現、越過了哪條安全邊界，以及哪些值得維護者最先關注。
成本分析
OpenAI 網路安全團隊的使命是幫助保護世界所依賴的軟體。我們公佈每個階段的 API 成本，幫助研究人員評估復現和擴充套件這項工作所需的資源。這些成本反映的是本次評估所用的模型、目標配置和工作流程。我們更宏觀的目標是幫助防禦方發現並修復漏洞，減少攻擊者可乘之機，提高他們利用軟體的成本。
最後要說明的是，這項研究關注的是方法論和衡量模型能力，而不是成本。我們預計，只要測試框架工程做得足夠好，每個階段的成本都能顯著降低；因此我們報告的成本更像是一個上限。
漏洞研究流水線
我們的漏洞研究原型是一條包含五個階段的流水線，核心是一個即將推出的網路安全模型：
漏洞發現：智慧體識別程式碼庫中與安全相關的部分，並掃描這些部分，找出候選結果。
動態驗證：智慧體嘗試在隔離環境中復現每個候選結果，並保留執行時證據。這一步輸出已復現並驗證的漏洞。
可利用性評估：智慧體會測試已驗證的漏洞是否可能導致資訊洩露或本地許可權提升。
補丁生成：智慧體生成針對每個已識別漏洞的補丁。
人工審查：安全研究人員在向維護者報告之前，會審查漏洞利用、補丁和建議的嚴重程度。
在流程的最後，系統會打包一份根因分析、一個最小化的崩潰概念驗證、一個候選補丁以及一個完整的漏洞利用，以幫助人類研究人員評估漏洞的嚴重程度並向上遊提交修復。
漏洞發現
Linux 核心中並非每一行程式碼都與安全相關。我們的流程使用一組 Scout 智慧體來識別高價值的審計目標，然後將這些目標交給 Analyst 智慧體進行漏洞掃描。
Scout 智慧體
Scout 智慧體會通讀每個資料夾和檔案，並根據目標的可達性（低許可權使用者可達）和安全相關性來確定要審計的目標。
這一階段識別出 5,034 個審計目標，約 280 萬行程式碼，大約佔整個 Linux 核心程式碼庫的 7%，與全程式碼庫分析相比，顯著降低了安全審計的成本。這一步花費了 3,426 美元的 API 額度。
動畫展示了 Scout 智慧體在探索 Linux 核心程式碼區域和審計目標。
00:00
Analyst 智慧體
接下來，Analyst 智慧體分析每個審計目標，並使用類似於 Codex Security 外掛（在新視窗中開啟） 的工作流程生成候選發現。概括來說，Analyst 智慧體會閱讀所分配審計目標的程式碼，以理解其工作原理、識別其威脅模型，並在其中尋找漏洞。
在 12 小時內，Analyst 智慧體在去重後生成了 2,308 個候選發現。這一階段花費了 316,549 美元的 API 額度。
漏洞驗證
候選發現並不等同於已驗證的漏洞。在這種規模下，手動調查每一份報告對我們的研究團隊來說並不現實。
因此，我們專注於驗證滿足以下條件的發現：a) 低許可權使用者可達，b) 不需要特殊能力，c) 產生可測量的記憶體損壞證據。
對於每個候選發現，一個分診智慧體會生成一個概念驗證，並在執行帶有核心地址消毒器（KASAN）的 Linux 核心的隔離虛擬機器中執行它。智慧體會觀察程式輸出和系統控制台，然後迭代改進概念驗證，直到它復現了所報告的行為，或者窮盡了觸發它的潛在方式。
在 30 小時內，我們的系統復現了 1724 個漏洞，約佔 2,308 個候選發現的 74.7%。僅靠靜態程式碼審查容易產生誤報，因此 Analyst 智慧體的準確性以及分診智慧體在自主為近四分之三的候選發現建立可工作的概念驗證方面的有效性給我們留下了深刻印象。
大多數剩餘的發現要麼需要提升許可權，要麼由於困難的競態條件、特定的觸發條件（例如，在特定行所需的分配失敗）或耗時的驗證（例如，引用計數迴繞）而未能在時間預算內復現。只有 3.1% 反映了模型的錯誤分析，即所報告的漏洞假設了一個不可能的條件。
驗證階段總共花費了 73,330 美元的 API 額度。我們觀察到，在驗證流程中需要生成概念驗證來確認候選漏洞是否真實存在，這一過程比僅基於靜態分析給出建議更昂貴，而且嘗試驗證真陽性和假陽性的成本相近。因此，在流程中更早地剔除假陽性，能讓整個過程在成本上顯著更划算。
可利用性評估
驗證只能確認漏洞真實存在，但無法說明它該以多高的優先順序處理。例如，一個可能實現本地許可權提升的漏洞，優先順序就應高於一個只能造成本地拒絕服務的漏洞。面對 1,724 個已驗證漏洞，接下來的任務是找出潛在安全影響最大的那些發現。
一個初步篩查智慧體以靜態方式審查了每份報告、崩潰日誌和相關原始碼。它刻意放寬了標準，以免漏掉可能嚴重的發現，同時過濾掉沒有合理利用路徑的情況。這樣把結果縮小到 313 個資訊洩露候選和 1,238 個本地許可權提升候選。
隨後，漏洞利用開發（ExploitDev）智慧體在隔離的虛擬機器中測試這些候選漏洞，虛擬機器配置了標準 Linux 發行版預設啟用的各項防護，包括 Supervisor Mode Execution Prevention（SMEP）、Supervisor Mode Access Prevention（SMAP）、Kernel Address Space Layout Randomization（KASLR）和 HARDENED_USERCOPY。這有助於避免得出依賴關閉防護的不切實際評估。
這些智慧體為資訊洩露漏洞生成了 291 個概念驗證，並開發出 1,169 個可用的本地許可權提升利用程式，能讓無特權的本地使用者獲得 root 許可權。
我們進行了變體分析，並針對這些利用程式背後的漏洞開發出 948 個不同的補丁。我們用這個數字來確定唯一 LPE 的總數。成功利用程式的平均開發成本為 359 美元額度。對防禦方來說，測試已發現漏洞的可利用性因此相對便宜。
初步漏洞篩查智慧體花費了 44,194 美元的 API 額度。利用階段總共花費 775,929 美元 API 額度，其中處理資訊洩露候選花費 84,929 美元，處理本地許可權提升候選花費 691,000 美元。
平均而言，處理一個本地許可權提升候選（558 美元）的成本大約是處理一個資訊洩露候選（271 美元）的兩倍。這是因為資訊洩露的概念驗證是從驗證階段延續下來的，改造成可用利用程式所需的修改較少。另一方面，從 LPE 候選開發利用程式需要許多額外步驟，例如制定利用策略、識別可利用的脆弱物件、繞過緩解措施等。我們還注意到，不成功的利用嘗試（69 個案例花費 3,922 美元）比成功的嘗試（1,169 個案例花費 360 美元）成本高得多。這源於少數難以利用的漏洞（例如競態條件）。設定合理的放棄條件，例如在一小時內沒有進展就停止嘗試，本可以顯著降低 ExploitDev 的成本。
補丁生成
對於每一個通過驗證的漏洞，系統還會生成補丁。我們向模型提供相關原始碼，並用補丁編寫的最佳實踐來提示它，例如對補丁執行靜態檢查、遵循附近程式碼所用的軟體開發實踐，以及進行變體分析以確保補丁完整。
按照 Linux 核心社群的建議，我們已經發出了數百份針對嚴重漏洞的報告和補丁，並正與 Patch the Planet 的合作伙伴一起，逐步發出其餘漏洞的補丁。這項工作是我們支援開源專案的更廣泛 Daybreak 承諾的一部分。
發現
在本節中，我們分享本次研究中的經驗、思考與補充分析。
維護者正在迅速修補漏洞
在本次研究期間，我們觀察到 Linux 維護者正在迅速修復漏洞、保護使用者。掃描於 2026 年 10 月中旬在最新的 Linux 核心上進行。當自動掃描和人工分析在 10 天后結束時，已有 61 個 LPE 在上游完成修補，43 個已有待合入的補丁，另有 299 個正在被公開報告和討論。
我們非常感謝一直緊急修補已發現問題 Linux 維護者，也感謝更廣泛的安全社群貢獻他們的發現。這種集體響應正是保障全球軟體安全所需要的。漏洞披露和修補的快速節奏也凸顯了使用者和企業保持軟體更新的重要性。
要點：自動分診應把快速的修補週期考慮在內。對照最新程式碼（包括原始掃描之後合入的新程式碼）重新驗證發現，有助於避免重複或過時的報告。這樣可以把注意力集中在尚未解決的漏洞上，並讓維護者獲得可據以行動的證據，而不必增加不必要的審查負擔。
更強的模型能發現更多漏洞
在開發這條流水線期間，2026 年 7 月下旬，GPT‑5.6 Sol 發現並利用了 166 個獨特的 LPE 漏洞，端到端 API 額度成本為 513,690 美元。
在 2026 年 10 月中旬的第二次掃描中，更新的網路模型發現並利用了 948 個獨特的 LPE 漏洞，端到端 API 額度成本為 1,213,430 美元。兩次行動中，我們都掃描了當時最新的 Linux 核心 master 分支。
要點：隨著模型能力提升，應重新掃描此前審計過的程式碼。即使使用同一套研究框架，能力更強的模型也可能發現早期模型遺漏的漏洞。
新穎的利用技術
我們抽樣分析了智慧體開發的 166 個利用程式，並分析了其中使用的利用技術。據我們所知，智慧體在抽樣利用程式中使用了 10 種新的利用技術。我們與第三方核心利用專家分享了這些利用技術，對他們來說這些技術同樣是新的。
在這 10 種技術中，有兩種是新的持久彈性物件，模型用它們在目標核心快取中噴射物件；兩種是新的頁 grooming 技術，用於提高利用可靠性；五種是新的純資料技術，可直接或通過任意寫獲得許可權提升；另一種技術涉及任意型別混淆。出於安全考慮，本文不分享這些新利用技術的完整技術細節。
要點：前沿模型並不只是匹配已知的漏洞程式碼模式，也不只是套用已知的利用手法；它們展現出了創造力和新穎的思路。
防禦方可以從利用成本中學到什麼
我們團隊的一項重要使命，是衡量發現和利用漏洞的成本，並用這些證據來指導防禦投入。我們的目標是幫助防禦方在攻擊者利用漏洞之前就完成修復，並讓攻擊者利用軟體的成本高到無法承受。衡量利用成本，有助於我們評估隨著模型能力提升，這一挑戰會如何變化。本節中，我們將流水線執行的成本與漏洞賞金計劃針對所發現漏洞給出的獎勵進行對比。
實驗中的目標虛擬機器執行的是標準桌面作業系統，並非被削弱的靶機，所採用的威脅模型與網路安全競賽（例如 Pwn2Own(opens in a new window)、TyphoonPWN(opens in a new window)）一致。歷史上，Pwn2Own 和 TyphoonPWN 針對 Linux 核心本地提權漏洞分別提供 2 萬美元和 7 萬美元的賞金。按這些歷史賞金金額計算，948 個利用可對應 1890 萬至 6630 萬美元的假設估值，約為我們流水線成本的 16 到 55 倍。
我們還用流水線測試了 Google 的 kernelCTF(opens in a new window) 漏洞獎勵計劃，該計劃的目標是經過加固、攻擊面縮減的 Linux 核心。我們在 kernelCTF 環境中，針對最新版本的 Linux 核心運行了流水線（該版本與 kernelCTF 的 SLAB_VIRTUAL 緩解措施不相容，因此我們從配置中去掉了它），獲得了 25 個資訊洩露概念驗證和 21 個本地提權利用。作為對比，截至本文撰寫時，kernelCTF 在 2026 年已接收 26 個經確認的 0-day 本地提權利用。整個行動共持續 112 小時，API 費用約為 32,936 美元，其中漏洞發現佔 API 成本的 83.7%。如果這 21 個漏洞被該計劃接收，將帶來約 150 萬美元的賞金，約為成本的 45 倍。
要點：根據公開的賞金金額，在當前的網路能力模型下，我們的漏洞研究流水線在本研究進行時是淨盈利的。防禦方應主動分析自己的軟體，讓攻擊者的利用成本高到無法承受。
用錯了 0-day
在可利用性評估階段，ExploitDev 智慧體會拿到一份漏洞報告，任務是編寫一個功能完整的利用程式。只要成功獲得 root shell，流水線就會將該漏洞標記為已被利用。在一次早期執行中，利用階段報告了 200 個成功的本地提權利用。但經人工複核，我們發現其中 20 個是通過另一個 0-day 漏洞獲得 root 許可權的，而非分配給它的那個漏洞。這說明，即便是智慧體成功完成的利用，也需要經過恰當驗證。
隨後我們收緊了任務約束，並增加了一項獨立檢查，確認每個最終利用程式使用的都是分配給它的漏洞。
要點：對於自主安全研究，除了驗證結果本身，還要驗證達成結果的路徑；隔離、監控和獨立檢查都是必要的控制措施。
能力更強的模型，所需的編排反而可以更輕
在這項研究的早期，我們探討了一個設計決策：是否要在智慧體周圍搭建重型編排，以提升其網路攻防能力。結果發現，模型越強，所需的編排和手把手引導就越少；而且這點邊際提升也抵不上維護成本。因此，我們決定去掉重型編排。
實驗對比了 GPT‑5.5 Cyber 和 GPT‑5.6 Cyber。觀察中我們發現，GPT‑5.5 Cyber 無法穩定判斷何時、以何種方式運用現有的 Linux 核心漏洞利用技術。於是我們把 103 項技術整理成模型友好的格式，放進智慧體的環境中，並提示它去使用。在 63 個漏洞利用候選上，成功率從 76.2% 提升到 88.9%。
用 GPT‑5.6 Cyber 重複這一實驗時，模型能更好地自行找到、選擇並應用相關技術。我們移除了技術/技能編排，這套輕編排的 GPT‑5.6 Cyber 流程反而勝過了腳手架更重的 GPT‑5.5 Cyber 流程。給 GPT‑5.6 Cyber 加回那層額外技術後，只帶來 1.5 個百分點的邊際提升。
要點：基礎模型能力變化時，要重新評估你的編排和測試框架。對某一代模型有明顯幫助的腳手架，對更強的模型可能價值不大，應權衡其維護成本。
迭代能提升補丁生成質量
起初，直接提示模型生成候選補丁時，模型會寫出功能正確的補丁，能緩解概念驗證，但偶爾會引入其他問題：程式碼比必要的更多、帶來潛在的效能折損、偏離編碼規範，或者沒有檢查相關程式碼中同一漏洞的其他變體，導致補丁不完整。
在補丁生成流程中加入額外指令和迭代後，補丁質量有所提升。這說明只要處理得當，AI 生成的安全補丁有可能做到正確、精簡，並符合現有程式碼規範。這是一個活躍的研究方向，我們相信未來的模型會讓這件事更容易、更有效。在少數情況下，我們的研究原型還能發現人類專家所寫補丁中的問題，並在合併前修復。
要點：模型可以加速打補丁的過程，但打補丁的技能和測試框架可能需要迭代，才能確保補丁可靠地滿足功能與非功能要求。此外，我們建議用模型對人工和 AI 生成的補丁做對抗性審查，這能發現補丁可被繞過、遺漏其他攻擊路徑或變體等問題。
測試基礎設施中的漏洞
在本次 kernelCTF 測試中，除了 21 個 Linux 核心 0-day 漏洞利用之外，我們的研究原型還發現並利用了一個 QEMU TCG 漏洞。分析智慧體被指派分析系統呼叫入口程式碼，在編寫程式試驗特權轉換時，它遇到了意外的核心崩潰。它對該崩潰進行了分類排查，並在無法訪問 QEMU 原始碼的情況下將問題追溯到 QEMU TCG，隨後把該漏洞寫入了報告。之後，漏洞利用開發智慧體成功為此漏洞開發了一個本地提權利用程式。我們是在人工分析這些漏洞利用時發現這個 QEMU 漏洞的，並確認該漏洞已在上游 QEMU 中修復，但在實驗所用的釋出版本中尚未修復。
要點：具備前沿網路能力的模型能夠發現測試基礎設施中的漏洞。我們建議在開展攻擊性漏洞研究之前，先對基礎設施的每個部分進行測試。我們已經主動測試了自身基礎設施，披露並修復了 Kata、Moby/Docker、gVisor 及其他專案中的許多漏洞。
結論
我們的目標是讓不斷增強的模型能力，成為保護網際網路的人們的一項持久優勢。這項研究表明，前沿模型日益增長的網路能力可用於有效尋找複雜軟體（如 Linux 核心）中的漏洞。加固 Linux 等關鍵軟體專案及其他開源專案，可以保護眾多下游系統和使用者。
通過 Patch the Planet——一項 Daybreak 計劃——我們希望將這項研究擴充套件到更多關鍵軟體專案，並與維護者和安全合作伙伴共同開發可靠的自動化修補方案。我們希望穩步減少攻擊者可利用的機會，提高發現和利用漏洞的成本，直到預期收益不再足以支撐攻擊。
每一代模型都應幫助我們構建出下一代模型更難攻破的軟體。我們將繼續努力，打造一個人人都能樂於在其上構建的安全網際網路。
作者
OpenAI
來源：OpenAI：官網動態 · openai.com