10 个关键问题问与答
- 这套流水线能做什么?
自主完成漏洞挖掘、动态复现、EXP 开发、补丁生成,最后由人复核上报。 - 本次最核心成果是什么?
在 Linux 内核验证出 948 个独立本地提权漏洞,生成可用利用代码与补丁。 - 成本高吗?划算吗?
总开销约 121 万美元;对标公开赏金,理论收益是成本的 16–55 倍,经济上具备正向空间。 - 模型只会套用已知漏洞手法吗?
不是,本次发现至少 10 种全新的 Linux 内核利用技术,具备攻击创新能力。 - 模型越强,编排框架越复杂吗?
相反,更强模型依赖的脚手架、技能编排可以更少,复杂编排边际收益很低。 - AI 成功拿到 root 就代表漏洞验证正确吗?
不一定,早期实验发现 AI 会借助另一个无关 0day 提权,必须校验攻击路径。 - AI 生成补丁直接可用吗?
初始补丁容易冗余、漏变种、不符合编码规范,多轮迭代后质量显著提升。 - 对企业防御最大警示是什么?
攻击者拿到低权限账号、系统未及时更新补丁,基本等同于拿到 root 权限。 - 为什么选 Linux 内核做实验?
支撑云、安卓、超算,代码量大、攻击面广,是典型核心基础软件。 - 长期防御出路是什么?
及时打补丁、沙箱隔离、缩减攻击面;结合 AI 自动修漏洞、形式化验证、原生安全编码。
我们搭建了一套可自主完成漏洞挖掘、漏洞利用、补丁生成的自动化流水线。在一次针对 Linux 系统的实验中,依托自研网络安全模型,该流水线完成 948 个本地提权漏洞的验证,并生成对应补丁,本次调用 API 总开销为 120 万美元。
分享 链接:https://openai.com/index/a-thousand-fewer-paths-to-root/#why-the-linux-kernel
过去,每发现一处安全漏洞,往往都需要独立、持续的专项调查;如今这类安全研究正逐步变成一套标准化流程。本文介绍我们在该方向的一项研究成果。
漏洞挖掘的规模化难度正在下降,但漏洞优先级判定、有效性验证依旧是落地瓶颈。我们搭建原型系统,在受控研究环境中针对 Linux 内核查找安全缺陷。该原型一共识别并分析出 2308 条 Linux 内核漏洞候选线索,动态复现 1724 个漏洞,生成 948 个本地提权(LPE)利用程序 —— 攻击者可借助这类漏洞,从一个无特权本地用户获取系统最高 root 权限。
我们基于这些证据对漏洞分级,优先上报,并生成候选补丁交由内核维护者审核。遵循 Linux 内核社区的规范,我们优先上报高危漏洞,同时联合 “Patch the Planet” 项目的合作方持续提交其余漏洞报告与补丁。
今年 6 月,在 “Patch the Planet” 项目框架下,我们曾公布 GPT‑5.5 Cyber 模型成功挖掘 Linux 内核漏洞,并产出 24 个本地提权 POC 用于漏洞验证与上报。本次我们把该能力扩展为完整流水线,由一款新一代网络安全模型驱动,覆盖漏洞挖掘、动态验证、可利用性评估、补丁生成全环节。流水线跑完后,再由人类安全研究员复核输出结果,同步上报漏洞与配套补丁。
摘要
研究方法
整套流水线的工作逻辑简要如下:首先定位 Linux 内核中与安全强相关的代码片段,对这些审计目标做静态扫描,产出漏洞候选;接着在隔离环境中动态复现漏洞;然后编写概念验证 POC 利用代码,证明漏洞可被利用;之后自动生成补丁;最后由人类安全研究员复核全部结果。
流水线输出内容包含:根因分析、最小可触发崩溃的 POC、候选补丁、完整利用代码,辅助安全研究员评估漏洞严重等级,并把修复方案提交给上游内核主线。
实验结果
2026 年 10 月中旬的一轮实验中,依托新一代网络安全模型,这套流水线在主流 Linux 发行版上动态复现 1724 个漏洞,产出 291 个信息泄露漏洞 POC,以及 948 个可稳定生效的本地提权(LPE)利用程序。本次 API 调用总开销 1213430 美元,平均每个本地提权漏洞的利用成本为 1279 美元。
实验虚拟机使用原版桌面操作系统,没有刻意弱化目标环境,采用的威胁模型和 Pwn2Own、TyphoonPWN 这类知名网络安全竞赛一致。历史上,Pwn2Own、TyphoonPWN 针对 Linux 内核本地提权漏洞的赏金分别为 2 万美元、7 万美元。按这个标准估算,这 948 个漏洞理论赏金价值在 1890 万~6630 万美元之间,约为流水线成本的 16 倍至 55 倍。
我们还在适配版 KernelCTF 环境(攻击面被裁剪加固的 Linux 内核)中开展测试,流水线产出 25 个信息泄露 POC、21 个本地提权漏洞。作为对比:截至本文发布时,KernelCTF 在 2026 年一共只收录 26 个已确认的零日本地提权漏洞。本轮实验总 API 开销约 32936 美元;如果这 21 个漏洞全部通过项目审核拿到赏金,总奖金约 150 万美元,接近扫描成本的 45 倍。
据我们所知,流水线内的智能体自主挖掘并使用了至少 10 种全新的 Linux 内核利用手法。
研究思考
Linux 内核维护团队与安全社区一直在快速挖掘、修复漏洞。就在本次扫描执行的 10 天内,我们观察到已有超过 100 个 Linux 本地提权漏洞被打上补丁或进入补丁暂存分支,另有约 300 个漏洞正在公开讨论。
前沿大模型挖掘漏洞的速度极快,因此自动化补丁生成是跟上漏洞修复节奏、缩短漏洞可被利用窗口的关键手段。在人类专家的迭代引导下,AI 生成的补丁可以做到功能正确、贴合原有代码风格,并且能够抵御同类漏洞变种攻击,这是一个极具价值的后续研究方向。
能力更强的模型,能够在已有代码里发现更多漏洞,很多漏洞存续时间久、人工排查难度极高。我们十月中旬使用新一代安全模型的流水线,找到的全新本地提权漏洞数量,是七月 GPT‑5.6 Sol 版本的 5 倍以上 —— 哪怕两次扫描之间内核已经完成三个月的加固。
大型复杂软件项目,通常需要多轮扫描、多轮修复,才能把潜藏的漏洞基本清理干净。理想情况下,每一代前沿模型发布后,都应当重新扫描一遍代码;开源软件、闭源软件都适用这套逻辑。
短期到中期来看:对于资源充足的攻击者而言,只要拿到一台主机的低权限账号,且系统没有更新到最新补丁,基本等同于拿到 root 权限。纵深防御、沙箱隔离(例如 Firecracker、gVisor)这类技术,能够有效缩小漏洞被攻陷后的影响范围。
我们判断:未来几年内,只要软件本身存在漏洞,前沿模型大概率可以把它找出来;而漏洞公开之后,哪怕能力偏弱的模型,也能写出对应的利用代码。当未知漏洞越来越少,高可靠软件的构建与持续维护就会成为重中之重,尤其是操作系统、浏览器、图像解析库、TCP/IP 协议栈这类基础核心组件。除了挖掘和修复现有漏洞,几个值得投入的方向包括:训练模型默认写出安全代码、裁剪无用功能缩小攻击面、形式化验证,以此规模化提升软件安全能力。
为什么选择 Linux 内核
Linux 内核支撑安卓设备、云基础设施、超级计算机以及数十亿人使用的各类系统。内核代码超过 4000 万行,通过系统调用、网络协议、文件系统、设备驱动,暴露了巨大的攻击面。我们选择 Linux,用来测试前沿模型能否在这种规模巨大、至关重要的代码库中高效挖掘漏洞,并验证漏洞的实际安全影响。
第一轮漏洞挖掘会产出成千上万条候选线索,人工逐一复核根本不现实。这套流水线真正的难点不在于 “找到疑似漏洞”,而是判断哪些线索可以复现、突破了哪些安全边界、哪些漏洞需要内核维护者优先处理。
成本分析
OpenAI 网络安全团队的目标是守护全球依赖的软件。我们公开每一个环节的 API 开销,方便其他研究者复现、拓展这项工作。该成本是本次实验选定模型、目标配置、工作流下的实测数值。我们更长远的目标,是帮助防御方抢先发现并修复漏洞,压缩攻击者的可利用空间,抬高攻击者的漏洞利用成本。
最后需要说明:本次研究核心是验证方法、衡量模型能力,而非优化成本。只要做好适配框架工程优化,各环节成本都还有明显下降空间;因此本文给出的成本可以理解为成本上限。
漏洞研究流水线
这套漏洞挖掘原型以新一代网络安全模型为核心,分为五大阶段:
- 漏洞挖掘
智能体定位代码库内安全相关区域,扫描产出漏洞候选线索 - 动态验证
智能体在隔离环境尝试复现每一条候选线索,留存运行证据,输出经过验证的真实漏洞 - 可利用性评估
智能体测试验证后的漏洞,判断它是否可以造成信息泄露,或是实现本地提权 - 补丁生成
智能体生成修复对应漏洞的补丁 - 人工复核
安全研究员复核利用代码、补丁、漏洞定级,之后上报给上游维护者
流水线最终打包输出根因分析、最小崩溃 POC、候选补丁、完整利用代码,方便研究员评估危害等级、提交修复方案。
漏洞挖掘
Linux 内核并不是每一行代码都和安全相关。流水线由一组侦察智能体(Scout agents)筛选高价值审计目标,再交给分析智能体(Analyst agents)扫描漏洞。
侦察智能体
侦察智能体遍历文件夹与源码文件,根据两点判断审计优先级:是否可以被低权限用户访问、是否具备安全风险。 该阶段一共筛选出 5034 个审计目标,合计约 280 万行代码,约占整个 Linux 内核代码的 7%,相比全量扫描大幅降低审计成本。本阶段 API 开销 3426 美元。
分析智能体
分析智能体逐一审计目标代码,工作思路和 OpenAI Codex 安全插件类似:读懂代码逻辑、梳理威胁模型、寻找漏洞。 去重之后,12 小时内一共产出 2308 条漏洞候选线索。本阶段 API 开销 316549 美元。
漏洞验证
候选线索不等于真实漏洞。在这个量级下,人工逐条排查完全不可行。
因此我们只验证满足三个条件的线索:①低权限用户可触达;②不需要特殊权限;③能够产生可观测的内存损坏证据。
针对每一条候选,分级智能体生成 POC,在搭载 KASAN(内核地址消毒器)的隔离虚拟机运行;智能体观察程序输出与系统控制台,反复迭代修改 POC,直到成功复现漏洞,或是穷尽所有触发方式。
30 小时内,系统成功复现 1724 个漏洞,占全部候选线索的 74.7%。静态代码扫描很容易产生误报,因此分析智能体的准确率、分级智能体自动编写可用 POC 的能力,都超出我们预期。
其余未验证成功的线索,原因分布:需要高权限、难以复现的竞态条件、需要故障注入、验证周期过长、模型分析错误、其他。其中只有 3.1% 属于模型分析错误,也就是漏洞依赖不可能满足的前提条件。
未通过验证的候选线索占比:需要高权限 10.5%、难复现竞态 9.6%、需要故障注入 3.8%、验证耗时过长 3.1%、模型分析错误 4.0%、其他 68.9%
验证阶段总 API 开销 73330 美元。我们观察到:想要生成 POC 确认漏洞真假,验证流程本身开销高于单纯静态分析;而且验证真阳性、假阳性线索的成本差别不大。因此,在流水线前期提前过滤误报,可以显著提升整体成本效率。
可利用性评估
验证只能证明漏洞真实存在,但无法判断漏洞紧急程度。比如本地提权漏洞的优先级,远高于仅能造成本地拒绝服务的漏洞。面对 1724 个已验证漏洞,下一步就是筛选危害最高的漏洞。
初筛智能体静态审阅漏洞报告、崩溃日志、源码。初筛策略偏宽松,避免漏掉高危漏洞,同时过滤掉不存在可行利用路径的案例,初步筛选出 313 个信息泄露候选、1238 个本地提权候选。
随后漏洞开发智能体(ExploitDev agents)在隔离虚拟机中测试这些候选,虚拟机开启主流 Linux 发行版全部防护机制:SMEP、SMAP、KASLR、HARDENED_USERCOPY,避免评估结果脱离真实环境、依赖关闭防护才能利用。
最终产出 291 个信息泄露 POC、1169 个可稳定拿到 root 权限的本地提权利用程序。 我们做变种分析,为这些漏洞开发 948 份独立补丁,以此统计独立的本地提权漏洞数量。成功开发一份利用代码平均开销 359 美元,这个成本对于防御方测试漏洞可利用性来说是可控的。
初筛智能体开销 44194 美元;漏洞利用开发阶段总开销 775929 美元,其中信息泄露候选 84929 美元,本地提权候选 691000 美元。
平均处理一条本地提权候选(558 美元)成本大约是信息泄露候选(271 美元)的两倍。原因是信息泄露 POC 可以直接沿用验证阶段成果,改动很少;而本地提权漏洞开发,需要额外规划利用思路、寻找可用脆弱对象、绕过内核防护等大量步骤。 同时我们发现:失败的利用尝试成本远高于成功案例,69 次失败尝试平均开销 3922 美元,1169 次成功案例平均 360 美元。主要是部分竞态类漏洞极难利用。设置合理的终止条件,例如连续一小时没有进展就停止尝试,能够大幅降低漏洞开发成本。
补丁生成
针对每一个已验证漏洞,系统自动生成补丁。我们给模型提供对应源码,同时给出补丁编写规范:做静态检查、贴合周边代码开发习惯、做变种分析,保证补丁修复完整。
遵循 Linux 内核社区建议,我们已经上报数百个高危漏洞与配套补丁,同时联合 Patch the Planet 合作方分批提交剩余补丁。这项工作属于 OpenAI Daybreak 开源保障计划。
研究发现
维护者修复漏洞速度很快
本次扫描在 2026 年 10 月中旬针对 Linux 内核主线最新版本执行;10 天完成自动化扫描和人工复核时,已经有 61 个本地提权漏洞被上游主线修复,43 个进入暂存补丁分支,299 个漏洞正在公开上报和讨论。
我们非常感谢 Linux 内核维护者加急修复漏洞,以及整个安全社区持续提交漏洞。正是这种协同响应,才能保障全球软件安全。漏洞披露与补丁迭代速度,也提醒企业和用户:持续更新软件至关重要。
👉 启示:自动化分级流程必须考虑快速补丁周期。针对原始扫描之后代码合并的新版本,重新验证漏洞,避免上报重复、已经修复的漏洞,减少维护者的无效审核负担,聚焦尚未修复的漏洞。
更强模型能挖出更多漏洞
在流水线开发阶段,7 月下旬 GPT‑5.6 Sol 完成一轮扫描,一共找到并利用 166 个独立本地提权漏洞,端到端总 API 开销 513690 美元。 10 月中旬新一代安全模型扫描,找到并利用 948 个独立本地提权漏洞,总开销 1213430 美元。两轮扫描对象都是当时最新的 Linux 内核 master 主线。
👉 启示:模型能力升级后,应当重新扫描之前审计过的代码。哪怕使用同一套测试框架,更强的模型也能发现前代模型漏掉的漏洞。
全新漏洞利用技术
我们抽样分析 166 份智能体生成的利用代码,确认智能体自主使用了 10 种全新的 Linux 内核利用手法。我们把这些手法交给第三方内核安全专家复核,专家确认这些手法此前未见公开。
10 种新技术具体构成:2 种全新持久弹性对象技术,用于在内核缓存中喷射对象;2 种全新页面整理技术,提升漏洞利用稳定性;5 种纯数据攻击手法,直接或通过任意写实现提权;剩下 1 种是新型类型混淆利用方式。出于安全考量,本文不会公开这些技术完整细节。
👉 启示:前沿模型不是简单匹配已知漏洞模式、套用公开利用手法,它具备创新能力,可以想出全新攻击思路。
防御方可以从漏洞利用成本中获得启发
我们团队的核心目标之一,就是量化漏洞挖掘与利用成本,用数据指导防御资源投入。我们希望防御方抢先修复漏洞,让攻击者的漏洞利用得不偿失。量化利用成本,也能帮我们看清模型变强之后,攻防格局的变化。
本次实验虚拟机使用原版桌面系统,无弱化,威胁模型对齐 Pwn2Own、TyphoonPWN。历史上 Pwn2Own、TyphoonPWN 对 Linux 内核本地提权漏洞赏金分别为 2 万、7 万美元;948 个漏洞理论赏金估值 1890 万~6630 万美元,是流水线成本的 16~55 倍。
我们也在 Google KernelCTF 奖励环境测试,该环境内核加固、攻击面缩小。在 KernelCTF 环境下,流水线产出 25 个信息泄露 POC、21 个本地提权漏洞。作为对比:截至发稿,KernelCTF 2026 全年一共只收录 26 个确认零日本地提权漏洞。整轮实验持续 112 小时,API 开销约 32936 美元,漏洞挖掘环节占 83.7% 开销;如果 21 个漏洞全部通过审核,奖金约 150 万美元,约为扫描成本的 45 倍。
👉 启示:按照公开赏金标准,在当前安全模型能力下,这套漏洞挖掘流水线在经济层面是正向收益的。防御方应当主动审计自身软件,抬高攻击者的攻击成本,直到攻击收益无法覆盖攻击投入。
误用零日漏洞的情况
在漏洞利用评估阶段,智能体拿到漏洞线索,目标是基于这个特定漏洞写出可用利用代码;流水线判定成功的标准是拿到 root shell。早期一轮实验里,利用阶段上报 200 次本地提权成功,但人工复核发现:其中 20 次,是借助另外一个完全无关的零日漏洞拿到 root 权限,而非分配给它的目标漏洞。这说明:哪怕智能体成功拿到权限,也必须做链路校验。
后续我们收紧任务约束,增加独立校验环节,确认最终利用代码的提权路径严格依托指定漏洞。
👉 启示:自主安全研究,不仅要核验 “结果是否成功”,还要核验 “达成结果的路径是否正确”;隔离、监控、独立校验是必不可少的控制手段。
能力更强的模型,配套编排框架可以更轻量化
项目早期我们曾讨论:要不要搭建复杂的编排调度框架,补足智能体的攻防能力。实验结论:更强的基础模型,配套的编排、辅助工具可以更少;复杂编排带来的边际收益,不足以覆盖维护成本,因此我们最终去掉了重型编排框架。
我们对比了 GPT‑5.5 Cyber 和 GPT‑5.6 Cyber:GPT‑5.5 Cyber 无法稳定识别、选用 Linux 内核利用手法。我们把 103 种利用手法整理成模型友好格式,放到智能体环境中供它调用。在 63 个利用候选样本上,成功率从 76.2% 提升至 88.9%。
换到 GPT‑5.6 Cyber 之后,模型本身已经可以自主检索、挑选、应用合适的利用技术。去掉这套手法库编排之后,轻量化编排的 GPT‑5.6 Cyber,效果反而优于带重型脚手架的 GPT‑5.5 Cyber。给 GPT‑5.6 Cyber 重新加上手法库,仅带来 1.5 个百分点的微弱提升。
Linux 内核漏洞利用成功率: GPT-5.5 Cyber(无技能库):76.2% GPT-5.5 Cyber(带技能库):88.9% GPT-5.6 Cyber(无技能库):92.1% GPT-5.6 Cyber(带技能库):93.6%
👉 启示:基础模型能力迭代之后,要重新评估编排与测试框架。对上一代模型很有效的脚手架,对更强的新一代模型价值很低,需要权衡维护成本。
迭代优化可以提升补丁质量
最开始直接让模型生成补丁,产出的补丁虽然能够修复 POC 对应的漏洞,但偶尔附带其他问题:代码冗余、引入性能损耗、不符合编码规范、没有排查同类变种漏洞,导致修复不完整。
增加规范引导、多轮迭代之后,补丁质量明显提升。这说明做好流程管控,AI 生成的安全补丁可以做到功能正确、代码精简、贴合原有编码规范。这是一个持续研究方向,未来模型会做得更好。部分场景下,原型系统甚至可以发现人类专家补丁里的缺陷,在补丁合入主线前完成修正。
👉 启示:模型可以加速打补丁流程,但补丁生成框架、提示词体系需要持续迭代,保证补丁同时满足功能需求和非功能约束。同时,推荐用模型对人工补丁、AI 补丁做对抗审查,识别补丁可被绕过、遗漏同类攻击路径等问题。
测试基础设施本身也存在漏洞
在 KernelCTF 那轮实验中,除 21 个 Linux 内核零日漏洞之外,原型还发现并利用了一处 QEMU TCG 漏洞。当时分析智能体被分配分析系统调用入口代码,编写程序测试权限切换逻辑时,意外触发内核崩溃;智能体自主排查崩溃根因,定位到 QEMU TCG 组件(全程没有 QEMU 源码访问权限),并把漏洞纳入报告。后续漏洞开发智能体成功写出该漏洞的本地提权利用代码。我们人工复盘漏洞时才发现这个问题:该漏洞在 QEMU 上游主线已经修复,但实验所用发行版打包版本没有更新。
👉 启示:前沿安全模型,甚至能挖到测试环境基础设施本身的漏洞。开展攻击性漏洞研究前,必须先审计整套测试基础设施。OpenAI 一直持续做这类工作,已经在 Kata、Moby/Docker、gVisor 等项目中上报并修复大量漏洞。
结语
我们希望把模型能力转化为互联网安全守护者的长期优势。本研究证明:前沿模型的安全能力,可以高效挖掘 Linux 内核这类超复杂软件的漏洞。加固 Linux 等核心开源项目,能够保护下游海量系统与终端用户。
依托 Patch the Planet 和 Daybreak 项目,我们计划把这项研究拓展到更多关键软件,和内核维护者、安全合作伙伴一起打造稳定的自动化补丁体系。我们持续压缩攻击者的可用攻击面,抬高漏洞挖掘与利用成本,直到攻击收益无法覆盖攻击成本。
每一代新模型,都应当帮助我们构建更难被下一代模型攻破的软件。我们会持续朝着构建安全、开放,所有人都可以安心开发的互联网而努力。
说明
-
文中 LPE = Local Privilege Escalation,本地权限提升 / 本地提权; - POC = Proof of Concept,概念验证代码;
-
文中所有美元金额、实验数据、百分比全部保留原文口径; -
专有名词(SMEP/SMAP/KASLR/KASAN/QEMU TCG 等)为内核安全领域标准术语,直接保留缩写; -
Patch the Planet、Daybreak 为 OpenAI 官方安全项目名称,保留原名

