OpenAI 公佈 Linux 核心自主漏洞研究結果：驗證 1,724 個漏洞並生成 948 個本地權限提升 exploit
A thousand fewer paths to root
OpenAI 使用一款即將推出的網絡安全模型，建立 Linux 核心自主漏洞研究流水線；在 2026 年 10 月的一次運行中，系統動態重現 1,724 個漏洞，並生成 948 個可運作的本地權限提升 exploit。整次運行耗用 $1,213,430 API credits。人類安全研究員審核結果後，研究團隊已就關鍵漏洞提交數百份報告及修補程式。
文章比較整體 API 成本、歷史漏洞賞金與 kernelCTF 案例，呈現研究團隊衡量自動化漏洞研究資源投入的方式。
通往 root 權限的路徑少了一千條
我們開發了一套自主漏洞發現、利用及修補流程。在一次運行中，我們的網絡安全模型驗證了 948 個 Linux 本機權限提升漏洞，並為其生成修補程式，API 費用為 $1.2 million。
載入中…
分享
為何選擇 Linux 核心
以往每項發現都需要獨立而持續的調查，如今這類安全研究愈來愈可以透過系統化流程進行。本文探討我們在這方面的一項工作。
漏洞發現正變得更容易擴展，但優先排序和驗證仍是營運上的瓶頸。我們建立了一個原型，在受控的研究環境中搜尋 Linux 核心的安全漏洞。原型找出並分析了 2,308 項 Linux 核心候選發現，透過動態測試重現了 1,724 個漏洞，並生成了 948 個本機權限提升（LPE）漏洞利用程式，這些程式可讓沒有特權的本機用戶取得 root 權限。
我們利用這些證據為漏洞排序，以決定優先通報哪些漏洞，並開發候選修補程式供維護者審閲。按照 Linux 核心社羣的指引，我們先處理嚴重漏洞，並正與 Patch the Planet 合作夥伴協作，提交更多漏洞報告和修補程式。
6 月，作為 Patch the Planet 計劃的一部分，我們公佈 GPT‑5.5 Cyber 已識別出 Linux 核心漏洞，並開發了 24 個本機權限提升漏洞利用程式，以驗證和通報這些漏洞。我們把這項工作擴展成一套由即將推出的網絡安全模型驅動的流程，涵蓋漏洞發現、動態驗證、可利用性評估和修補程式生成。流程完成後，研究人員審閲了輸出結果，並連同修補程式一併通報發現的漏洞。
摘要
方法
概括而言，我們的流程如下：首先識別 Linux 核心中與安全相關的部分，然後對這些目標進行靜態掃描以尋找潛在漏洞，在隔離環境中動態重現這些漏洞，建立概念驗證（PoC）漏洞利用程式以證明漏洞可被利用，產生修補程式，最後由人類安全研究員審核結果。
流程的輸出包括根本原因分析、可令系統崩潰的精簡概念驗證、候選修補程式，以及完整的漏洞利用程式，以協助人類研究員評估漏洞的嚴重程度，並將修正提交至上游。
研究發現
在 2026 年 10 月中旬的一次執行中，我們使用即將推出的網絡安全模型執行流程，動態重現了 1,724 個漏洞，並為 291 個資訊洩漏漏洞產生 PoC，亦為某個常用 Linux 發行版產生了 948 個可用的本機權限提升（LPE）漏洞利用程式。本次執行耗用了價值 $1,213,430 的 API 額度，平均每個 LPE 漏洞利用程式 $1,279。
目標虛擬機器執行的是未經修改的桌面作業系統，而非弱化的目標環境，並採用網絡安全競賽使用的相同威脅模型（例如 Pwn2Own（在新視窗開啟）、TyphoonPWN（在新視窗開啟））。過去，Pwn2Own 和 TyphoonPWN 曾分別為 Linux 核心 LPE 漏洞利用程式提供 $20,000 和 $70,000 的漏洞賞金。若以這些歷史賞金金額計算 948 個漏洞利用程式，其假設估值為 $18.9M—$66.3M，約為我們流程成本的 16 至 55 倍。
在經過改造的 kernelCTF（在新視窗開啟）環境中（該環境使用攻擊面較小的 Linux 核心版本），我們的流程取得了 25 個資訊洩漏 PoC和 21 個 LPE 漏洞利用程式。作為比較，截至撰文時，kernelCTF 在 2026 年已接納 26 個經確認的零日 LPE 漏洞利用程式。
- 這次行動耗用了約 $32,936 的 API 額度。若這 21 個漏洞獲該計劃接納，便可獲得約 $1.5M 的賞金，相當於掃描成本的約 45 倍。
據我們所知，這個流程中的 Agent 發現並運用了至少 10 種全新的 Linux 漏洞利用技術。
反思
Linux 維護者和安全社羣正努力迅速發現並修補漏洞。在掃描執行期間的 10 天內，我們觀察到超過 100 個 Linux LPE 漏洞已獲修補，或已有其他貢獻者提供暫存修補程式；另有約 300 個漏洞正在公開討論。
鑑於前沿模型發現漏洞的速度，我們認為，自動產生修補程式對於按所需速度保障軟件安全，以及縮短漏洞可被利用的時間至關重要。在人類專家的指導下反覆改進，我們相信 AI 產生的修補程式可以在功能上正確、符合現有編碼風格，並能抵禦不同的攻擊變體。這是值得進一步研究的重要領域。
能力更強的模型能在現有程式碼中發現新漏洞，其中往往包括存在時間較長、較難識別的漏洞。儘管兩次掃描之間經過了三個月的加固工作，我們在 10 月中旬使用較新的網絡安全模型執行分析流程，發現的新型 LPE 數量仍是 7 月 GPT‑5.6 Sol 執行結果的 >5 倍。
大型而複雜的軟件項目，可能需要多輪掃描及修補漏洞，才能將潛藏的程式錯誤挖掘殆盡。理想情況下，每推出新一代前沿模型，都會重複這個流程。這適用於專有軟件和開源軟件。
在短期至中期內，對資源充足的威脅行為者而言，如果作業系統上的低權限帳戶未安裝最新可用的修補程式，便應視為實際上等同於 root 權限。採用縱深防禦，使用沙箱及 Firecracker、gVisor 等隔離方案，對限制漏洞遭利用後的影響範圍十分重要。
我們相信，在未來幾年內，如果某個軟件項目存在漏洞，前沿模型很可能能夠找出這些漏洞；而漏洞公開披露後，能力較弱的模型也可能開發出漏洞利用程式。在一個不存在未知漏洞的世界裡，建構並維護高可信度軟件至關重要，尤其是作業系統、瀏覽器、圖片解析程式庫、TCP/IP 協定堆疊等核心軟件。投資研究如何訓練模型預設編寫安全程式碼、透過移除不必要功能縮減攻擊面，以及形式化驗證，都是有望有效擴大軟件安全規模的未來研究方向，此外也包括找出並修補現有漏洞。
為何選擇 Linux 核心
Linux 核心支撐着 Android 裝置、雲端基礎設施、超級電腦，以及數十億人使用的其他系統。核心有超過 40 million 行程式碼，並透過系統呼叫、網絡、檔案系統及裝置驅動程式，暴露出廣泛的攻擊面。我們選擇 Linux，研究前沿模型找出漏洞的成效，並展示漏洞在如此龐大且重要的程式碼庫中造成的安全影響。
初步漏洞探索階段產生了數以千計的候選漏洞線索，數量多得令安全研究人員無法逐一手動審查和分類。我們漏洞探索流程在實際操作上的挑戰並非發現漏洞，而是判斷哪些發現可以重現、跨越了哪一道安全邊界，以及哪些應最先交由維護者關注。
成本分析
OpenAI Cyber 團隊的使命，是協助保障全球依賴的軟件安全。我們列出各階段的 API 費用，協助研究人員評估重現及延伸這項工作的所需資源。這些費用反映了本次評估所用的模型、目標配置及工作流程。我們更廣泛的目標，是協助防禦者找出並修補漏洞，減少攻擊者可利用的機會，並提高他們利用軟件漏洞的成本。
最後請注意，本研究着重於方法及衡量模型能力，而非成本。我們預期，透過充分的執行框架工程，便可大幅降低各階段的成本；因此，我們報告的費用更應視為上限。
漏洞研究流程
我們的漏洞研究原型是一套由五個階段組成的流程，以一款即將推出的網絡安全模型為核心：
漏洞探索：Agent 識別程式碼庫中與安全相關的部分，並掃描以尋找候選漏洞線索。
動態驗證：Agent 嘗試在隔離環境中重現每個候選漏洞，並保留執行時證據。此步驟會輸出已重現並驗證的漏洞。
可利用性評估：Agent 會測試已確認的漏洞是否可導致資訊洩露或本機權限提升。
產生修補程式：Agent 會為每個已識別的漏洞產生修補程式。
人工審查：安全研究人員會在向維護者報告前，審查漏洞利用程式、修補程式及建議的嚴重程度。
在流程的最後，系統會將根本原因分析、最精簡的崩潰概念驗證、候選修補程式及完整漏洞利用程式打包，協助研究人員評估漏洞的嚴重程度，並將修正提交至上游。
漏洞發現
Linux kernel 並非每一行程式碼都與安全相關。我們的流程使用一組 Scout Agent，找出高價值的審查目標，再交由 Analyst Agent 掃描漏洞。
Scout Agent
Scout Agent 會逐一閲讀每個資料夾和檔案，並根據目標的可達性（低權限用戶可否存取）及安全相關性，判斷要審查哪些目標。
這個階段找出 5,034 個審查目標，涉及約 2.8 million 行程式碼，約佔整個 Linux kernel 程式碼庫的 7%。與分析整個程式碼庫相比，這大幅降低了安全審查成本。此步驟耗用價值 $3,426 的 API 額度。
Analyst Agent
接下來，Analyst Agent 分析每個審查目標，並採用與 Codex Security plugin(在新視窗中開啟) 類似的工作流程，產生候選發現項目。概括而言，Analyst Agent 會閲讀獲分配審查目標的程式碼，瞭解其運作方式、識別其威脅模型，並尋找其中的漏洞。
在 12 小時內，Analyst Agent 去重後產生了 2,308 個候選發現項目。此階段耗用價值 $316,549 的 API 額度。
漏洞驗證
候選發現項目不等同已確認的漏洞。在這種規模下，研究團隊難以逐一人手調查每份報告。
因此，我們集中驗證符合以下條件的發現項目：a) 低權限用戶可存取；b) 不需要特殊權限；以及 c) 能產生可量度的記憶體損毀證據。
對於每個候選項目，分流 Agent 都會產生概念驗證，並在執行 Linux kernel（啟用了 Kernel Address Sanitizer (KASAN)）的隔離虛擬機器中運行。Agent 會觀察程式輸出及系統主控台，然後反覆調整概念驗證，直至重現所報告的行為，或用盡所有可能的觸發方法。
在 30 小時內，系統重現了 1724 個漏洞，約佔 2,308 個候選發現項目的 74.7%。靜態程式碼審查容易出現誤報，因此，Analyst Agent 的準確度，以及分流 Agent 自動建立可運作概念驗證的效能，令我們印象深刻；它們成功處理了近四分之三的候選發現項目。
其餘大部分發現項目需要更高權限，或因競態條件難以處理、觸發條件特殊（例如必須在特定程式碼行發生配置失敗），或驗證需時（例如引用計數回繞），未能在時限內重現。只有 3.1% 是模型分析有誤，因為報告中的漏洞假設了不可能發生的情況。
驗證階段總共耗用了 $73,330 的 API 點數。我們在驗證流程中觀察到，為確認候選漏洞是否屬實而生成概念驗證，成本高於單憑靜態分析提出建議；而嘗試驗證真陽性和假陽性的成本相若。因此，在流程較早階段剔除假陽性，可切實提升成本效益。
可利用性評估
驗證可以確認漏洞是否屬實，但無法判斷應該多迫切地處理漏洞。例如，可能導致本機權限提升的漏洞，應比只能造成本機拒絕服務的漏洞優先處理。確認 1,724 個漏洞屬實後，下一步是找出對安全影響最大的發現。
初步篩選 Agent 以靜態方式檢視每份報告、崩潰記錄和相關原始碼。為免剔除可能造成嚴重影響的發現，篩選刻意採取寬鬆標準，同時排除沒有合理利用途徑的個案。結果範圍縮小至 313 個資訊洩漏候選項目和 1,238 個本機權限提升候選項目。
漏洞利用開發（ExploitDev）Agent 隨後在隔離的虛擬機器中測試這些候選項目。虛擬機器啟用了標準 Linux 發行版提供的防護措施，包括 Supervisor Mode Execution Prevention (SMEP)、Supervisor Mode Access Prevention (SMAP)、Kernel Address Space Layout Randomization (KASLR) 和 HARDENED_USERCOPY。這有助避免評估結果不切實際，或依賴停用防護措施。
Agent 為資訊洩漏製作了 291 個概念驗證，並成功開發出 1,169 個可運作的本機權限提升漏洞利用程式，讓沒有特權的本機用戶取得 root 權限。
我們對這些漏洞進行變體分析，並為相關漏洞開發了 948 個不同的修補程式。我們以這個數字計算本機權限提升漏洞（LPE）的總數。成功開發漏洞利用程式平均耗用 $359 的點數，因此防禦方測試已發現漏洞的可利用性，成本相對較低。
初步漏洞篩選 Agent 耗用了 $44,194 的 API 點數。漏洞利用階段總共耗用了 $775,929 的 API 點數，其中處理資訊洩漏候選項目耗用 $84,929，處理本機權限提升候選項目則耗用 $691,000。
平均而言，處理一個本機權限提升候選項目（$558）的成本約為處理一個資訊洩漏候選項目（$271）的兩倍。這是因為資訊洩漏概念驗證沿用自驗證階段，只需稍作修改便可用於漏洞利用。另一方面，從本機權限提升候選項目開發漏洞利用程式，則需要額外進行多個步驟，例如規劃漏洞利用策略、找出可用的易受攻擊物件，以及繞過緩解措施等。我們亦留意到，失敗的漏洞利用嘗試（69 個個案共耗用 $3,922）比成功的嘗試（1169 個個案平均每個耗用 $360）昂貴得多。這是由少數難以利用的漏洞（例如競態條件）所致。設定合理的停止條件，例如嘗試一小時仍無進展便停止，可大幅降低 ExploitDev 的成本。
修補程式生成
系統亦會為每個經驗證的漏洞產生修補程式。我們會向模型提供相關原始碼，並以修補程式撰寫的最佳做法作為提示詞，例如對修補程式進行靜態檢查、遵循鄰近程式碼採用的軟件開發慣例，以及進行變體分析以確保修補完整。
按照 Linux 核心社羣的建議，我們已就嚴重漏洞發出數百份報告及修補程式，並正與 Patch the Planet 合作夥伴協作，逐步發出其餘修補程式。這項工作是我們支持開源項目的更廣泛承諾 Daybreak 的一部分。
研究發現
本節分享這項研究的經驗、反思及進一步分析。
維護者正迅速修補漏洞
在這項研究期間，我們觀察到 Linux 維護者正迅速修復漏洞，保障用戶安全。掃描於 2026 年 10 月中旬在最新的 Linux 核心上進行。自動掃描及人工分析在 10 天後完成時，上游版本已修補 61 個 LPE 漏洞，43 個已有暫存修補程式，另有 299 個正在公開通報及討論。
我們衷心感謝一直緊急修補已識別問題的 Linux 維護者，以及同樣貢獻研究發現的整個安全社羣。要保障全球軟件安全，正需要這種集體應對。漏洞披露及修補速度之快，也突顯用戶和公司保持軟件最新的重要性。
重點：自動化分流應考慮快速的修補週期。根據最新程式碼重新驗證研究發現，包括納入原始掃描後合併的新程式碼，有助避免重複或過時的報告。這樣可讓注意力集中於尚未解決的漏洞，並為維護者提供可採取行動的證據，同時避免增加不必要的審查負擔。
更強大的模型能發現更多漏洞
在開發這套流程期間，即 2026 年 7 月下旬，GPT‑5.6 Sol 發現並成功利用 166 個不同的 LPE 漏洞，端到端 API 額度成本為 $513,690。
在第二次掃描中，即 2026 年 10 月中旬，較新的網絡安全模型發現並成功利用 948 個不同的 LPE 漏洞，端到端 API 額度成本為 $1,213,430。兩次行動均掃描了當時最新的 Linux 核心 master 分支。
重點：隨着模型能力提升，應重新掃描先前已審核的程式碼。即使使用相同的研究框架，能力更強的模型仍可能發現早期模型錯過的漏洞。
新穎的漏洞利用技術
我們抽樣分析了 Agent 開發的 166 個漏洞利用程式，並研究其中使用的漏洞利用技術。據我們所知，Agent 在抽樣的漏洞利用程式中使用了 10 種新型漏洞利用技術。我們已將這些技術分享給第三方核心漏洞利用專家；對他們而言，這些技術同樣是新的。
在這 10 種技術中，有兩種是新型持久化彈性物件，模型用它們在目標核心快取內噴灑物件；有兩種是新型頁面整理技術，可提高漏洞利用的可靠性；有五種是新型純資料技術，可直接取得權限提升，或透過任意寫入達成；另一種則涉及任意型別混淆。基於安全考慮，我們不會在這篇文章中分享這些新型漏洞利用技術的完整技術細節。
要點：前沿模型不只是比對已知的易受攻擊程式碼模式，或只使用已知的漏洞利用技術；它們展現出創造力，並採用新穎的方法。
防禦者可以從漏洞利用成本中學到甚麼
我們團隊使命的重要一環，是量度尋找及利用漏洞的成本，並以相關證據指引防禦方面的投資。我們的目標是協助防禦者在攻擊者利用漏洞前修補漏洞，並令攻擊者利用軟件的成本高得難以承受。量度漏洞利用成本，有助我們評估隨着模型能力提升，這項挑戰如何改變。本節會比較我們執行研究流程的成本，以及針對所發現漏洞的漏洞賞金計劃獎金。
實驗中的目標虛擬機器使用未經削弱的原版桌面作業系統，並採用與網絡安全競賽相同的威脅模型（例如 Pwn2Own（在新視窗開啟）、TyphoonPWN（在新視窗開啟））。過往，Pwn2Own 和 TyphoonPWN 針對 Linux 核心本機權限提升漏洞利用，分別提供 $20,000 和 $70,000 的漏洞賞金。若將這些歷史獎金套用於 948 個漏洞利用，假設估值將達 $18.9M—$66.3M，約為我們研究流程成本的 16 至 55 倍。
我們亦以 Google 的 kernelCTF（在新視窗開啟）漏洞獎勵計劃測試研究流程。該計劃以經強化、攻擊面較小的 Linux 核心作為目標。我們在 kernelCTF 的環境中，對最新版本的 Linux 核心執行研究流程（該版本與 kernelCTF 的 SLAB_VIRTUAL 緩解措施不相容，因此我們將其從設定中移除），並取得 25 個資訊洩漏概念驗證，以及 21 個本機權限提升漏洞利用。截至本文撰寫時，kernelCTF 在 2026 年已接納 26 個經確認的零日漏洞本機權限提升漏洞利用作比較。整個研究行動歷時共 112 小時，API 點數成本約為 $32,936，其中漏洞發現佔 API 成本的 83.7%。若計劃接納這 21 個漏洞，將帶來約 $1.5M 的獎金，約為成本的 45 倍。
要點：根據公開的獎金金額，以目前具備網絡安全能力的模型而言，我們的漏洞研究流程在本研究進行時整體有盈利。防禦者應主動分析自己的軟件，令攻擊者利用漏洞的成本高得難以承受。
用錯零日漏洞
在漏洞可利用性評估期間，ExploitDev Agent 會獲提供漏洞報告，並負責建立可全面運作的漏洞利用程式。如果成功取得 root shell，我們的研究流程便會將該漏洞標記為已成功利用。在一次早期測試中，漏洞利用階段報告成功利用了 200 個本機權限提升漏洞。然而，經人工審查後，我們發現其中 20 個案例取得 root 權限時，利用的是另一個零日漏洞，而非指定的漏洞。這顯示即使 Agent 成功利用漏洞，仍須進行適當驗證。
其後，我們收緊了任務限制，並加入獨立檢查，以確認每個最終漏洞利用程式都使用了指定的漏洞。
要點：進行自主安全研究時，除了驗證結果本身，也要核實取得結果的途徑；隔離、監察及獨立檢查都是必要的控制措施。
能力更強的模型可能需要較輕量的編排
這項研究初期，我們探討過一項設計決策：是否要為 Agent 建立繁重的編排機制，以提升其網絡安全能力。我們的結果顯示，模型能力越強，所需的編排和引導就越少；而邊際提升不足以抵銷維護成本。因此，我們決定移除繁重的編排機制。
這項實驗比較了 GPT‑5.5 Cyber 和 GPT‑5.6 Cyber。根據我們的觀察，GPT‑5.5 Cyber 未能穩定判斷何時及如何套用現有的 Linux 核心漏洞利用技術。於是，我們以適合模型使用的格式整理了 103 項技術，在 Agent 的環境中提供這些技術，並提示 Agent 加以運用。在 63 個漏洞利用候選案例中，成功率因此由 76.2% 提升至 88.9%。
我們以 GPT‑5.6 Cyber 重複這項實驗時，發現模型更能自行找出、選擇及套用相關技術。我們移除了技術／技能編排後，這個編排較輕量的 GPT‑5.6 Cyber 工作流程，表現勝過編排支援較多的 GPT‑5.5 Cyber 工作流程。為 GPT‑5.6 Cyber 加回額外的技術層，僅帶來 1.5 個百分點的輕微提升。
要點：隨着基礎模型能力改變，應重新評估編排方式和執行框架。能顯著提升某一代模型表現的支援架構，對能力更強的模型可能作用不大；應衡量其效益是否值得維護成本。
反覆改進有助生成更好的修補程式
起初，當我們直接提示模型生成候選修補程式時，模型會產生功能正確、能緩解概念驗證攻擊的修補程式，但偶爾也會引入其他問題：程式碼多於所需、帶來潛在的效能取捨、不符合編碼慣例，或未有檢查相關程式碼中是否存在相同漏洞的其他變體，導致修補不完整。
在修補程式生成流程中加入指示並反覆改進，提升了修補程式的質素。這顯示只要處理得當，AI 生成的安全修補程式可以正確、精簡，並符合現有的編碼慣例。這仍是活躍的研究領域；我們相信，隨着未來模型推出，這項工作會變得更容易、更有效。在少數情況下，我們的研究原型亦能找出人類專家撰寫的修補程式中的問題，並在修補程式合併前修正。
要點：模型可以加快修補流程，但可能需要反覆改進修補技能和執行框架，確保修補程式可靠地符合功能和非功能要求。此外，我們建議使用模型對人類和 AI 生成的修補程式進行對抗式審查，以找出修補程式可能被繞過、遺漏其他攻擊途徑或變體等問題。
測試基礎設施中的漏洞
在我們進行 kernelCTF 測試期間，除了 21 個 Linux 核心零日漏洞利用程式外，研究原型亦找到並利用了一個 QEMU TCG 漏洞。分析 Agent 獲派分析系統呼叫入口程式碼；在編寫程式測試權限轉換時，遇到了意料之外的核心崩潰。它排查了這次崩潰，在無法查看 QEMU 原始碼的情況下，追查出問題源自 QEMU TCG，並將漏洞列入報告。ExploitDev Agent 其後成功為這個漏洞開發出本機權限提升漏洞利用程式。我們在手動分析漏洞利用程式時發現了這個 QEMU 漏洞，並確認上游 QEMU 已修復該漏洞，但實驗所用的發佈版本尚未修復。
重點：具備網絡安全能力的前沿模型，能在測試基礎設施中找到漏洞。我們建議在進行進攻性漏洞研究前，先測試基礎設施的每個部分。我們已主動測試我們的基礎設施，並在 Kata、Moby/Docker、gVisor 及其他項目中披露和修補了多個漏洞。
結論
我們的目標，是將模型能力不斷提升所帶來的優勢，轉化為保障互聯網安全的人士可長期享有的優勢。這項研究展示，前沿模型日益增強的網絡安全能力，可用於有效尋找 Linux 核心等複雜軟件中的漏洞。強化 Linux 等關鍵軟件項目及其他開源項目，有助保護許多下游系統和用戶。
透過Patch the Planet（Daybreak 倡議），我們希望將這項研究擴展至更多關鍵軟件項目，並與維護者及安全合作夥伴共同開發可靠的自動修補方案。我們希望逐步減少攻擊者可利用的機會，並提高尋找和利用漏洞的成本，直至預期收益不再足以抵償攻擊成本。
每一代模型都應協助我們打造更難被下一代模型攻破的軟件。我們會繼續努力建設安全的互聯網，讓任何人都能愉快地在其上構建。
作者
OpenAI
來源：OpenAI News · openai.com