GPT-5.6 ExploitGym 表现 — 真实世界漏洞利用通过率翻倍
ExploitGym 是什么
ExploitGym 比 ExploitBench 更接近真实世界漏洞利用场景：
- 提供的是真实 CVE 漏洞（不是专门设计的测试用例）
- 需要在限时内将漏洞转化为可运行的 exploit 程序
- 成功标准是 exploit 能在目标环境中正确触发漏洞
这测试的是模型从"理解漏洞"到"写出完整可运行 exploit"的端到端能力。
GPT-5.6 Sol 成绩
| 时间限制 | GPT-5.6 Sol | GPT-5.5 | 提升 |
|---|---|---|---|
| 2 小时 | 24.9% | 15.1% | +65%（相对） |
| 6 小时 | 33.7% | — | — |
2 小时内的通过率接近翻倍。这个提升在安全研究领域非常有意义——真实漏洞的利用窗口很有限，越快完成 PoC 验证越好。
为什么重要
ExploitGym 的成绩说明 GPT-5.6 能帮安全研究员更快地分析和验证新披露的漏洞。在漏洞响应流程中：
- 漏洞披露 → 厂商/安全团队收到 CVE 通知
- 快速验证 → 确认漏洞是否真实存在、影响范围多大
- 开发补丁 → 在有限时间内推送修复
- 发布公告 → 通知用户升级
第 2 步"快速验证"是最关键也最耗时的环节之一。GPT-5.6 Sol 可以：
- 在 2 小时内完成漏洞 PoC 的比例从 15.1% 提升到 24.9%
- 对于安全团队来说，这意味着更多漏洞能在关键的前 24 小时内得到有效验证
- 争取到的时间可以用于更快地开发和发布补丁
实际工作流
传统漏洞分析
一个安全分析师拿到新 CVE 后的工作：
- 阅读 CVE 公告（15 分钟）
- 找到受影响代码版本（30 分钟）
- 定位漏洞根因（1-4 小时）
- 构造触发条件（2-6 小时）
- 编写 PoC（2-4 小时）
- 验证 PoC 能正确触发漏洞（1-2 小时）
总计：6-17 小时
加上 GPT-5.6 Sol 辅助
- 把 CVE 公告和受影响代码发给 GPT-5.6 Sol + max
- 自动定位根因、构造触发条件、生成 PoC 初稿（15-30 分钟）
- 分析师审查 PoC，确认漏洞触发机制正确（30-60 分钟）
- 如果需要，GPT-5.6 Sol 可以进一步完善 PoC（2-4 小时）
总计：3-6 小时，缩短了 50-65%
防御目的
OpenAI 强调 ExploitGym 的能力仅用于防御：
- 安全补丁验证：确保厂商发布的补丁真的能阻止漏洞利用
- 蓝队防御演练：模拟攻击者可能的利用方式，提前加固
- 漏洞修复质量评估：验证补丁是否完整覆盖攻击路径
GPT-5.6 Sol 不会用于开发真实攻击工具。受信访问计划中有严格的使用限制。
ExploitGym vs ExploitBench vs SEC-Bench Pro
三项基准测试的定位不同：
| 基准 | 测试重点 | 时间限制 | GPT-5.6 Sol 成绩 |
|---|---|---|---|
| ExploitBench | 从漏洞到任意代码执行的完整链 | 无严格限时 | 73.5% |
| ExploitGym | 真实 CVE 漏洞利用的限时挑战 | 2-6 小时 | 24.9% / 33.7% |
| SEC-Bench Pro | 复杂 PoC 代码生成 | 无严格限时 | 71.2% |
ExploitGym 是最接近真实世界压力测试的基准——它不仅考察能力，还考察速度。
实际影响
安全领域正在加速采用 GPT-5.6：
- 漏洞研究团队：用 Sol + max 快速分析新披露的 CVE
- 补丁开发团队：用 Terra 批量审查代码中的潜在漏洞
- 检测工程团队：用 Sol 生成 YARA 规则、SIEM 告警规则
- 安全厂商：用 Luna 做海量扫描的预检和初筛
这些应用都在受信访问的框架下进行，确保能力不被滥用。