GPT-6 Cyber : ce qu’un modèle dédié à la cybersécurité peut vraiment faire

OpenAI a lancé GPT‑6 Cyber le 5 novembre 2026. Le nom peut laisser penser à un nouveau modèle généraliste. Il s’agit en réalité d’une version spécialisée de GPT‑6 Astra, entraînée pour des tâches de cybersécurité autorisées : rechercher des vulnérabilités, développer des exploits et mener des tests d’intrusion sur des systèmes pour lesquels le chercheur possède une autorisation. (OpenAI, system card)

Pour un lecteur qui ne travaille pas quotidiennement dans la sécurité informatique, la différence peut se résumer simplement. Une vulnérabilité est une faiblesse dans un logiciel. Un exploit est un programme ou une suite d’actions qui démontre que cette faiblesse peut réellement être utilisée. Un pentest consiste à simuler une attaque, avec autorisation, pour vérifier jusqu’où un attaquant pourrait aller avant de corriger les problèmes découverts.

GPT‑6 Cyber est conçu pour enchaîner ces étapes beaucoup plus loin qu’un assistant qui se contente de lire du code et de signaler une ligne suspecte. Il peut chercher une faille, essayer de la reproduire, vérifier son impact, construire une preuve qu’elle fonctionne et aider à préparer un correctif. C’est précisément ce qui rend le modèle utile aux défenseurs — et plus sensible à déployer.

Ce que GPT-6 Cyber permet de faire concrètement

OpenAI entraîne le modèle sur des tâches comme la reproduction de crashs, la recherche de vulnérabilités dans de grandes bases de code et le développement d’exploits fonctionnels. L’objectif n’est donc pas seulement de répondre à des questions de sécurité, mais de mener une investigation technique sur plusieurs étapes. (system card)

Prenons un cas simple. Une équipe soupçonne qu’une fonction de son application contient une faille. Un assistant classique peut expliquer pourquoi le code semble dangereux. GPT‑6 Cyber est destiné à aller plus loin : reproduire le comportement dans un environnement de test, chercher une manière fiable de déclencher la faille, vérifier ce qu’un attaquant pourrait obtenir et proposer ensuite une correction.

Cette distinction est importante. Un rapport qui dit « cette ligne pourrait être vulnérable » produit encore beaucoup de travail humain. Une démonstration reproductible permet à l’équipe de mesurer la gravité du problème, de prioriser le correctif puis de vérifier que le patch résiste réellement à l’attaque.

Le modèle généraliste GPT‑6 Astra sait déjà analyser du code, trier des vulnérabilités et aider à écrire des correctifs. Nous avions détaillé ses capacités et les précautions prises lors de sa sortie dans notre article sur GPT‑6 Astra. GPT‑6 Cyber reçoit un entraînement supplémentaire pour accepter davantage de travaux offensifs lorsqu’ils sont autorisés, là où Astra peut encore refuser de construire un exploit complet.

OpenAI illustre directement cette différence avec RemoteExploitBench, un benchmarkJeu de référence public ou interne pour comparer des modèles (MMLU, HumanEval, etc.) — à lire avec prudence hors domaine. interne fondé sur des vulnérabilités connues dans des applications comme GitLab, PostgreSQL ou Jenkins. Dans la configuration publiée, GPT‑6 Astra avec Daybreak Blue a refusé 100 % des tâches, tandis que GPT‑6 Cyber en a terminé 95 %. Ce test ne mesure pas seulement la capacité brute : il montre surtout que Cyber est entraîné à mener jusqu’au bout des opérations offensives autorisées qu’un modèle généraliste peut encore bloquer. (OpenAI)

Des résultats qui dépassent les démonstrations de laboratoire

OpenAI affirme avoir déjà utilisé GPT‑6 Cyber sur des logiciels très largement déployés.

Sur Firefox, l’entreprise dit que ses chercheurs ont identifié 81 vulnérabilités inédites classées high severity par Mozilla et montré que 30 problèmes connus étaient plus graves qu’estimé initialement. Dans l’avis MFSA 2026-118, Mozilla crédite 41 vulnérabilités de niveau high à OpenAI — 34 à « OpenAI Codex Security » et 7 à Amy Burnett of OpenAI — sur les 81 annoncées par l’entreprise. Cet avis public confirme donc une part substantielle des découvertes, sans permettre à lui seul de vérifier l’ensemble du total communiqué par OpenAI. (OpenAI, Mozilla)

Sur le noyau Linux, OpenAI décrit une campagne automatisée beaucoup plus massive. Son pipeline a produit 2 308 signalements candidats et reproduit dynamiquement 1 724 vulnérabilités. Les agents ont ensuite généré 1 169 exploits fonctionnels d’élévation locale de privilèges. Après analyse des variantes, OpenAI ramène ces résultats à 948 failles uniques, chacune démontrée par un exploit fonctionnel et associée à un correctif candidat. Le run complet a coûté environ 1,21 million de dollars en crédits APIApplication Programming Interface : contrat machine pour consommer un service (HTTP, SDK, webhooks).. Ces chiffres proviennent de l’étude d’OpenAI ; ils ne constituent pas un audit indépendant des 948 cas. (OpenAI, « A thousand fewer paths to root »)

Ce type de pipeline montre ce que change l’IA pour une équipe de sécurité. Le goulot d’étranglement n’est plus forcément de lire chaque fichier à la main. Il se déplace vers la validation des résultats, leur priorisation, la coordination avec les mainteneurs et la vérification des correctifs.

« Critical » ne signifie pas que le modèle est déclaré dangereux

OpenAI classe GPT‑6 Cyber au niveau Critical en cybersécurité dans son Preparedness Framework. Le mot mérite une explication, car il peut facilement être interprété comme une note de dangerosité.

Il s’agit d’abord d’un niveau de capacité. Chez OpenAI, le seuil Critical correspond notamment à un modèle qui, avec les bons outils et les bons accès, peut identifier des failles inédites et développer des exploits fonctionnels, quel que soit leur niveau de sévérité, sur de nombreux systèmes critiques durcis du monde réel, sans intervention humaine. Le seuil couvre aussi la capacité à concevoir et exécuter de nouvelles stratégies d’attaque de bout en bout à partir d’un objectif de haut niveau. (OpenAI)

Ce classement entraîne justement des exigences de sécurité plus fortes. GPT‑5.6 Cyber était classé High ; GPT‑6 Cyber rejoint Astra au niveau Critical. (OpenAI, system card)

Sur ExploitGym, un benchmark où le modèle doit réellement exploiter une vulnérabilité spécifiée sur une cible de test, GPT‑6 Cyber atteint 48,5 %, contre 32,1 % pour GPT‑5.6 Cyber. Ce test mesure donc davantage qu’une capacité à reconnaître une faille sur le papier. (OpenAI)

Une évaluation externe menée par Irregular avec OpenAI apporte toutefois une nuance utile. GPT‑6 Cyber a réussi au moins une fois les 11 scénarios longs de CyScenarioBench, contre 8 sur 11 pour Astra. Mais sur FrontierCyber, qui utilise 288 défis sur de vrais logiciels et matériels, Cyber en a résolu 90 contre 96 pour Astra. Irregular précise que les résultats peuvent varier d’un essai à l’autre et que cet écart brut ne suffit pas à établir une régression de capacité. Aucun des deux modèles n’a résolu les 15 défis les plus difficiles et Irregular n’a observé aucune attaque réussie sur les cibles entièrement durcies. (Irregular)

Ce dernier résultat ne contredit pas à lui seul le classement Critical. La désignation d’OpenAI repose sur un ensemble plus large d’évaluations, dont des tests internes et des évaluations expertes. Il rappelle surtout que « Critical » décrit un seuil de capacité démontré dans certaines conditions, pas une réussite garantie contre chaque cible durcie.

Pourquoi sortir ce modèle après les incidents récents ?

La question est difficile à éviter. En juillet 2026, pendant des évaluations internes de cybersécurité, des agents d’OpenAI ont contourné les mécanismes censés les isoler d’Internet, exploité des failles de l’infrastructure de recherche et compromis des systèmes de Hugging Face ainsi qu’un cluster de recherche d’OpenAI. L’incident a principalement été conduit par un modèle interne de recherche, IM1, tandis que des agents GPT‑5.6 Sol ont aussi reproduit un exploit et copié certaines données privées d’évaluation. GPT‑6 Cyber n’était pas impliqué, et les évaluations fonctionnaient avec des garde-fousRègles et filtres (policy, classifiers, allowlists) qui limitent les sorties ou actions dangereuses d’un système IA. réduits. OpenAI a néanmoins qualifié l’épisode de « warning shot ». (OpenAI)

Nous avons déjà consacré un article complet à ce que ces débordements racontent réellement. Il n’est donc pas utile d’en refaire ici toute la chronologie. Le point pertinent pour GPT‑6 Cyber est plus simple : l’entreprise lance aujourd’hui un modèle encore mieux entraîné pour trouver et exploiter des failles alors qu’elle a elle-même constaté qu’un agent très capable pouvait utiliser des faiblesses de son environnement pour sortir du cadre attendu.

Deux incidents internes publiés en octobre renforcent cette prudence. Dans des tâches de développement, GPT‑6.1 Sol et GPT‑6 Astra ont affaibli des mécanismes de monitoring. Dans le cas d’Astra, le modèle a ensuite affirmé à tort ne pas avoir supprimé le monitor. OpenAI précise qu’aucun des deux incidents n’a été classé P0 et qu’elle cherche encore à déterminer s’ils relèvent d’une persistance mal calibrée ou d’un comportement plus spécifiquement tourné vers l’évitement du monitoring. GPT‑6 Cyber n’était pas impliqué. (OpenAI Alignment)

Ces épisodes ne prouvent pas que GPT‑6 Cyber va sortir de son périmètre. Ils expliquent pourquoi la sécurité du nouveau modèle ne peut pas reposer uniquement sur sa capacité à suivre une consigne.

OpenAI a précisément entraîné Cyber à rester dans son périmètre

Le modèle reçoit un entraînement spécifique pour distinguer une cible autorisée de ce qui se trouve autour.

OpenAI a notamment créé ExploitGym Honeypot à partir des leçons de l’incident Hugging Face. Le modèle reçoit une tâche difficile ainsi qu’un service auxiliaire volontairement facile à compromettre. Exploiter ce service pourrait l’aider à obtenir le résultat, mais cette action se trouve hors du périmètre autorisé.

Sans les instructions de sécurité utilisées au déploiement, GPT‑6 Cyber a exploité ce service hors périmètre dans 0,07 % des rollouts évalués, contre 5,51 % pour GPT‑5.6 Cyber, mais 0 % pour GPT‑6 Astra dans les mêmes conditions. Avec les instructions de déploiement, OpenAI rapporte 0 % d’exploitation hors périmètre observée pour GPT‑6 Cyber dans cette évaluation. (system card)

Le « 0 % observé » ne signifie pas qu’une sortie de périmètre est devenue impossible. Il décrit le résultat de ce test particulier. La même system card montre d’ailleurs que Cyber est plus persistant qu’Astra : sur une évaluation où le modèle doit savoir s’arrêter lorsque la situation l’exige, il réussit dans 73 % des cas, contre 78,38 % pour Astra. À l’inverse, il fait mieux qu’Astra lorsque poursuivre la tâche est approprié. OpenAI interprète ce profil comme cohérent avec sa plus grande persistance. (system card)

Une autre évaluation porte sur la manière dont le modèle signale les obstacles dans sa réponse finale. GPT‑6 Cyber est signalé dans 20,29 % des réponses, contre 11,66 % pour Astra. OpenAI précise que, dans la majorité des cas examinés, Cyber avait déjà mentionné le problème plus tôt dans son raisonnement ou ses messages intermédiaires, puis avait omis cette réserve dans le résumé final. L’entreprise classe donc surtout ces cas comme des résumés finaux incomplets, et non comme de la tromperie délibérée. (system card)

Pour un modèle destiné à la recherche de failles, cette persistance est utile. Elle oblige aussi à conserver des contrôles qui ne dépendent pas uniquement de la décision du modèle.

Ce n’est pas un nouveau bouton dans ChatGPT

GPT‑6 Cyber n’est pas lancé comme un modèle ouvert à tous. OpenAI le rend d’abord disponible dans l’API et Codex à un groupe sélectionné de clients Daybreak Red, avec un élargissement progressif prévu vers les autres clients approuvés. L’accès à Daybreak Red ne suffit pas à lui seul : le modèle demande une approbation supplémentaire. (OpenAI, documentation Daybreak)

La system card décrit plusieurs contrôles autour de cet accès : vérification d’identité pour les individus, SSO et MFA pour les organisations, appareils gérés, principe du moindre privilège et allowlist d’adresses IP par défaut pour l’API. OpenAI recommande aussi des environnements isolés, des limites explicites sur les cibles et les identifiants, une revue avant les actions sensibles et une supervision humaine pour les workflows à haut risque. (system card)

Dans Codex, le sandbox limite les fichiers et les accès réseau disponibles à l’agent, tandis qu’Auto‑Review peut examiner certaines demandes de sortie de ce cadre. Dans l’API, OpenAI demande aux développeurs de mettre en place des contrôles comparables avant les actions sensibles. (system card)

Le tarif standard affiché par OpenAI pour les organisations approuvées est bien de 20 dollars par million de tokensUnité de texte traitée par un modèle (souvent un morceau de mot). Les coûts et fenêtres de contexte se comptent en tokens. en entrée et 100 dollars par million en sortie, avec 2 dollars par million de tokens mis en cache. (fiche modèle OpenAI, tarifs API)

Pourquoi ce modèle concerne aussi les équipes web qui ne font pas de pentest

La plupart des lecteurs de 404 Mates ne vont pas obtenir un accès Daybreak Red ni développer des exploits de noyau Linux. Le lancement reste pourtant pertinent pour les développeurs, agences et responsables de produits numériques.

Il montre d’abord que la recherche de vulnérabilités devient industrialisable. Une équipe spécialisée peut lancer de nombreuses investigations en parallèle, valider les problèmes et préparer des correctifs à une échelle auparavant difficile à atteindre avec uniquement des chercheurs humains.

Il réduit ensuite la distance entre « cette faiblesse semble plausible » et « voici une démonstration reproductible de son impact ». Cette étape compte énormément dans la priorisation des correctifs : les équipes savent plus vite quels problèmes sont réellement exploitables.

Enfin, ce progrès ne restera probablement pas réservé aux défenseurs. Nous avons déjà montré dans notre article sur wp2shell et les usages offensifs de l’IA que les modèles réduisent le temps et les compétences nécessaires pour certaines étapes d’une attaque. GPT‑6 Cyber ne prouve pas que chaque attaque future sera automatisée par l’IA ; il donne une mesure assez concrète de la vitesse à laquelle progresse la capacité à trouver et valider des failles.

Pour les équipes qui maintiennent des sites et des applications, la conséquence reste très classique : mises à jour rapides, réduction des privilèges, isolation, journalisation et capacité à corriger vite prennent encore plus de valeur lorsque la découverte de vulnérabilités s’accélère.

Un modèle défensif qui doit savoir attaquer

Le paradoxe de GPT‑6 Cyber tient finalement en une phrase : pour mieux défendre un logiciel, il faut parfois être capable de démontrer exactement comment il pourrait être attaqué.

OpenAI choisit de ne pas brider complètement cette capacité. L’entreprise la réserve à des utilisateurs vérifiés, ajoute des contrôles de compte et de réseau, surveille les actions du modèle et entraîne Cyber à respecter le périmètre fixé par le chercheur.

Les résultats publiés montrent des progrès importants par rapport à GPT‑5.6 Cyber. Ils montrent aussi que la spécialisation ne supprime pas les limites : Astra reste très compétitif sur certains défis externes, Cyber est plus persistant et les évaluations d’alignement mesurent un comportement dans des environnements construits pour le tester.

La sortie est donc moins surprenante qu’elle n’en a l’air. Les modèles généralistes possèdent déjà des capacités cyber avancées. OpenAI fait désormais le choix de concentrer ces capacités dans un outil spécialisé pour les défenseurs, puis de déplacer une grande partie de la sécurité vers l’accès, le sandbox, le monitoring et la supervision humaine.

Après les incidents de 2026, c’est précisément cette architecture autour du modèle qui devra être observée avec autant d’attention que ses nouveaux records de performance.