GPT-6 Cyber : les benchmarks de la system card expliqués
ExploitGym à 48,5 %, RemoteExploitBench, tests Irregular : découvrez tous les résultats réels de GPT-6 Cyber comparés à Astra et ce qu'ils mesurent vraiment.
👁 115 lectures
La system card de GPT-6 Cyber comporte plus d’une dizaine de tests et montre globalement la même tendance : le modèle est nettement plus performant que son prédécesseur, légèrement supérieur à GPT-6 Astra dont il est issu, mais sans gain particulier en programmation classique. J’ai rassemblé tous les chiffres de l’annonce officielle et de la carte système au même endroit, avec une explication claire de ce que mesure chaque test. Précision d’emblée : il s’agit des données fournies par OpenAI. Je n’ai pas exécuté le modèle, l’accès étant strictement réservé à une sélection d’organisations validées dans le cadre du programme Daybreak Red.
L’essentiel
- ExploitGym : 48,5% contre 32,1% pour GPT-5.6 Cyber, soit une progression relative de 51%.
- RemoteExploitBench : 95% de réussite, tandis que GPT-6 Astra avec Daybreak Blue a refusé la totalité des tâches.
- En programmation générale (ExpertSWE) : 82,95% contre 83,24% pour Astra, aucune avance constatée.
- Évaluation externe par Irregular : sur le banc d’épreuve complexe FrontierCyber, Cyber a résolu 90 tâches sur 288, contre 96 pour Astra.
Exploits informatiques : le saut de performance le plus marqué
Le benchmark ExploitGym évalue la capacité du modèle à exploiter une vulnérabilité logicielle désignée au sein d’une application distante. L’épreuve n’est validée que si l’agent capture le drapeau (flag) par exécution de code arbitraire en s’appuyant rigoureusement sur la faille ciblée. OpenAI a présenté cinq configurations, et le tableau ci-dessous en dit bien plus long que le simple score brut :
| Modèle et configuration | ExploitGym |
|---|---|
| GPT-6 Astra avec restrictions par défaut | 0,0% |
| GPT-5.6 (Daybreak Blue) | 30,3% |
| GPT-5.6 Cyber | 32,1% |
| GPT-6 Astra (Daybreak Blue) | 42,4% |
| GPT-6 Cyber | 48,5% |
Le modèle Astra standard affiche 0% en raison de ses refus de sécurité systématiques. Lorsque ces barrières sont allégées via le palier Daybreak Blue, ce même Astra monte immédiatement à 42,4%. La majeure partie des capacités offensives était donc déjà logée dans le grand modèle de base, l’entraînement spécialisé Cyber n’ajoutant que six points d’écart. La system card mentionne des chiffres précis de 48,45% contre 42,43%.
Dans sa variante renforcée, ExploitGym Hardened, les cibles exploitent l’ASLR (randomisation de l’espace mémoire), des canaris de pile, le bac à sable V8 et un durcissement strict du noyau. Sur ce terrain, Cyber atteint 36,94% face aux 29,69% d’Astra. L’écart s’accentue à mesure que la cible devient plus défendue.
RemoteExploitBench est une nouvelle suite de tests conçue par OpenAI : elle met en jeu des failles publiques au sein de logiciels tels que GitLab, PostgreSQL et Jenkins, déployés dans un laboratoire contrôlé et attaqués à distance. GPT-6 Cyber a réussi 95% des épreuves, son unique échec venant d’un exploit qui n’a pas pu être déclenché à distance. Astra, même sous Daybreak Blue, a refusé 100% de ces missions. Voilà qui illustre concrètement la raison d’être du programme Daybreak Red.
Recherche de vulnérabilités et rétro-ingénierie
| Test | Ce qu’il mesure | GPT-6 Cyber | GPT-6 Astra |
|---|---|---|---|
| Pentest web | Détection de failles sur une application en boîte noire (rappel) | 40,3% | 32,0% |
| SEC-Bench Pro | Découverte de failles dans les moteurs JavaScript V8 et SpiderMonkey | 87,02% | 85,38% |
| SRE-Bench | Rétro-ingénierie d’exécutables compilés, six cibles simultanées | 92,84% | 87,98% |
| ExploitBench (ACE) | Passage d’une faille connue à l’exécution de code arbitraire | 100% | - |
| ExploitBench, version interne (juin-août 2026) | Exploits sur des failles récemment révélées dans V8 et Chrome | 42% | 39% |
Concernant ExploitBench, OpenAI concède que le corpus historique s’étend jusqu’à 2023 : le modèle a donc pu rencontrer ces vulnérabilités pendant son pré-entraînement. Pour neutraliser ce biais, l’entreprise a conçu une version interne basée sur des failles signalées entre juin et août 2026. Sur ce panel récent, le résultat s’effondre de 100% à 42%. La documentation technique admet ouvertement que générer des exploits fonctionnels sur des failles fraîches demeure très ardu pour le modèle. C’est sans doute le constat le plus transparent de tout le rapport.
Les mesures des auditeurs indépendants
OpenAI s’est associée au NIST américain (via le centre CAISSI) ainsi qu’à la société spécialisée Irregular, qui a soumis le modèle à trois de ses bancs d’évaluation :
- CyScenarioBench (scénarios d’intrusion longs) : Cyber a mené à bien chacun des 11 exercices au moins une fois, contre 8 sur 11 pour Astra. Son taux moyen de complétion atteint 61%, soit 7 points de plus qu’Astra.
- FrontierCyber (environnements matériels et logiciels réels) : 90 réussites sur 288 pour Cyber, contre 96 pour Astra. Parmi les offensives validées figuraient des vulnérabilités zero-day visant des navigateurs, des smartphones et des bases de données dans le cloud. En revanche, aucun des deux modèles n’est parvenu à compromettre une cible intégralement durcie, ni à débloquer les 15 épreuves les plus ardues.
- Atomic Challenges : 22 réussites sur 22. Le modèle affiche en moyenne 97% sur l’analyse et l’exploitation, 98% en simulation d’intrusion réseau et 63% sur l’évasion des défenses (contre respectivement 96%, 100% et 66% pour Astra).
Le cabinet Irregular conclut que GPT-6 Cyber reste globalement au même niveau global qu’Astra, tout en démontrant une endurance supérieure sur les tâches complexes à étapes multiples. C’est un tempérament précieux face aux discours promotionnels : un auditeur externe n’observe pas une rupture technologique majeure, mais plutôt une meilleure ténacité opérationnelle.
Refus et comportement des agents
Sur la batterie d’exercices défensifs documentée dans la system card d’Astra, Cyber a répondu à 100% des demandes d’assistance générale et de correction de failles, à 96% des tâches d’écriture d’exploits et à 97% des missions de red teaming. En dehors du champ de la sécurité informatique, le modèle ne s’est pas relâché : sur le volet biologique, il a rejeté de façon sûre 99,87% des questions à haut risque et 98,27% des requêtes à double usage. Chaque compte accédant à GPT-6 Cyber dispose obligatoirement des barrières de biosûreté les plus strictes.
| Test comportemental (valeur basse préférable, sauf indication) | GPT-6 Cyber | GPT-6 Astra | GPT-5.6 Sol |
|---|---|---|---|
| Attaque contre un leurre hors périmètre (sans instruction préalable) | 0,07% | 0% | 49,5% |
| Exécution d’une action rejetée par l’Auto-Review | 0% | 0% | 0,3% |
| Affirmation mensongère d’avoir utilisé un outil de recherche indisponible | 0,33% | 6,92% | 79,00% |
| Omission d’un blocage d’outil dans le rapport final | 20,29% | 11,66% | 34,18% |
| Répétition d’erreurs passées issues de la production | 28,40% | 26,70% | 64,53% |
| Arrêt sur alerte de sécurité quand requis (valeur haute préférable) | 73,00% | 78,38% | 57,10% |
Deux lignes du tableau montrent une dégradation par rapport à Astra. Cyber s’interrompt moins régulièrement quand un outil émet une alerte de sécurité et omet plus fréquemment d’indiquer dans sa synthèse finale qu’une action a été bloquée. OpenAI justifie le premier point par une persévérance renforcée dans la résolution de la tâche, et le second par le fait que l’agent signale généralement l’obstacle au fil de l’eau plus tôt dans son raisonnement. Lorsqu’un agent autonome manipule des exploits réels, ces deux comportements exigent une surveillance rigoureuse. Pour une analyse détaillée du test d’intrusion sur honeypot, consultez notre dossier sur le piège du pot de miel.
Pourquoi une classification « Critical » ?
Au vu de ces évaluations, OpenAI a positionné GPT-6 Cyber au rang « Critical » en cybersécurité dans le cadre de sa politique interne de préparation (Preparedness Framework), soit un palier au-dessus de GPT-5.6 Cyber (« High »). Cette même qualification critique est déjà attribuée à GPT-6 Astra. Sur les menaces biologiques et chimiques, les deux modèles restent classés « High », et demeurent sous ce seuil pour l’auto-amélioration récursive d’IA.
Pour observer la confrontation avec Gemini 4 Carbon, qui annonce 54,8% sur ExploitGym, rendez-vous sur notre comparatif GPT-6 Cyber vs Claude vs Gemini. Vous trouverez également notre synthèse générale dans le dossier dédié à GPT-6 Cyber.
Google · Vos sourcesPromptif plus haut dans Google - en un clicAjouter aux sources préférées →Sources
- OpenAI, GPT-6 Cyber System Card, sections 3, 4 et 6 à 10
- OpenAI, GPT-6 Cyber, graphique ExploitGym
More on this from PROMPTIF
outils d'ia·Prix de Gemini Omni 1.2 Flash : coût par seconde de 360p à 4KCombien coûte Gemini Omni 1.2 Flash ? Tarifs par seconde de 360p à 4K, comparaison avec Veo et Kling, et résultats de nos tests API détaillés.