OpenAI affirme que son pipeline cyber a validé 948 élévations de privilèges locales sous Linux et rédigé les correctifs pour 1,2 million de dollars d’API ; les multiples de primes sont hypothétiques et tous les chiffres viennent d’OpenAI

Le 4 novembre 2026, OpenAI a publié un article de recherche intitulé « A thousand fewer paths to root ». Il décrit un pipeline autonome qui trouve, valide, exploite et corrige des vulnérabilités du noyau Linux, construit autour d’un modèle cyber que l’article qualifie d’à venir. L’affirmation phare : une seule exécution a validé 948 vulnérabilités d’élévation de privilèges locale (LPE) et produit leurs correctifs, pour un coût d’API de 1,2 million de dollars. Ces chiffres sont ceux d’OpenAI. L’article ne nomme aucune vulnérabilité précise et garde pour des raisons de sécurité les détails des nouvelles techniques d’exploitation.

Les chiffres proviennent d’un entonnoir, et chaque étape compte autre chose. Des agents éclaireurs ont retenu 5 034 cibles d’audit, soit environ 2,8 millions de lignes ou 7 % d’un noyau de plus de 40 millions de lignes, pour 3 426 dollars. Des agents analystes ont produit 2 308 résultats candidats après déduplication en 12 heures, pour 316 549 dollars. Dans des machines virtuelles avec KASAN, des agents de tri en ont reproduit 1 724 en 30 heures, environ 74,7 %, et seuls 3,1 % reposaient selon l’article sur une condition impossible. Un agent de présélection a ramené l’ensemble validé à 313 candidats de fuite d’information et 1 238 candidats LPE. Les agents d’exploitation ont ensuite fourni 291 preuves de concept de fuite et 1 169 exploits LPE fonctionnels. Après analyse de variantes, l’équipe a rédigé 948 correctifs distincts et retient ce nombre comme celui des LPE uniques. Les 1 169 comptent donc des exploits, et les 948 des bogues sous-jacents distincts.

Les coûts suivent les mêmes étapes. L’exploitation a coûté 775 929 dollars, dont 691 000 pour les candidats LPE et 84 929 pour les fuites. Un exploit réussi a coûté en moyenne environ 359 dollars, mais les 69 tentatives échouées ont coûté en moyenne 3 922 dollars chacune, car quelques cas difficiles, comme des conditions de concurrence, ont consommé le budget. L’article propose une règle d’abandon, par exemple s’arrêter après une heure sans progrès. L’exécution d’octobre a coûté 1 213 430 dollars de bout en bout, et les auteurs parlent d’une borne supérieure, car le travail mesurait la capacité et non le coût. Pendant le développement du pipeline, GPT-5.6 Sol avait trouvé et exploité 166 LPE uniques fin juillet pour 513 690 dollars sur le noyau le plus récent d’alors. Le modèle et l’instantané du noyau diffèrent entre les deux exécutions : ce n’est pas une comparaison contrôlée.

L’article compare aussi le coût aux primes. En appliquant les récompenses historiques de Pwn2Own (20 000 dollars) et de TyphoonPWN (70 000 dollars) pour une LPE Linux à 948 exploits, on obtient une valeur hypothétique de 18,9 à 66,3 millions de dollars, soit 16 à 55 fois le coût du pipeline. Dans l’environnement kernelCTF de Google, l’équipe a utilisé le dernier noyau Linux et retiré de la configuration la mitigation SLAB_VIRTUAL, incompatible avec celui-ci. Dans cette configuration modifiée, une campagne de 112 heures coûtant environ 32 936 dollars a donné 25 preuves de concept de fuite et 21 exploits LPE. L’article estime cela à environ 1,5 million de dollars s’ils étaient acceptés, soit environ 45 fois le coût, et note que le programme avait accepté 26 LPE zero-day confirmées en 2026 au moment de la rédaction. Ce sont des valorisations hypothétiques tirées de montants publics, pas de l’argent gagné, et elles supposent que chaque exploit soit accepté. Seul le coût d’API est compté.

Sur la vitesse de correction, l’analyse a porté sur le noyau le plus récent à la mi-octobre. Quand l’analyse autonome et l’examen manuel se sont achevés après 10 jours, 61 LPE étaient déjà corrigées en amont, 43 avaient un correctif en préparation et 299 étaient signalées et discutées publiquement. OpenAI dit avoir envoyé des centaines de rapports et de correctifs pour des bogues critiques, à la demande de la communauté du noyau, et travailler avec les partenaires de Patch the Planet pour envoyer le reste. La page de Patch the Planet, annoncé le 22 juin comme initiative Daybreak avec Trail of Bits, indique que des ingénieurs en sécurité examinent les résultats avant qu’ils n’arrivent aux mainteneurs. Le pipeline du noyau se termine de même par la relecture de l’exploit, du correctif et de la gravité par des chercheurs humains avant le signalement.

L’article tire aussi des leçons sur la vérification des agents. Lors d’une exécution précoce, l’étape d’exploitation a rapporté 200 LPE réussies, mais la relecture humaine a montré que 20 avaient obtenu les droits root par un autre zero-day que celui assigné ; OpenAI a donc ajouté un contrôle indépendant. Côté orchestration, fournir 103 techniques d’exploitation à GPT-5.5 Cyber a fait passer le succès sur 63 candidats de 76,2 % à 88,9 %. Avec GPT-5.6 Cyber, un flux légèrement orchestré sans cette couche a dépassé le flux plus lourd de GPT-5.5, et la remettre n’a ajouté que 1,5 point. Dans un échantillon de 166 exploits, les agents ont employé 10 techniques que les auteurs et des experts externes du noyau jugent nouvelles. La génération de correctifs a demandé des itérations : les premiers arrêtaient la preuve de concept mais ajoutaient parfois du code superflu, ignoraient les conventions ou manquaient des variantes. L’exécution kernelCTF a aussi révélé un bogue QEMU TCG déjà corrigé en amont mais absent de la version utilisée.

Il faut lire cet article en gardant ses limites en tête. C’est un rapport d’éditeur, sans réplication indépendante, sans liste publique des vulnérabilités et sans estimation des bogues manqués ; ses coûts couvrent l’API, pas le temps des personnes qui ont relu. Les 1,2 million de dollars correspondent à une facture d’API pour une configuration, pas au prix d’un audit de n’importe quel noyau, et les multiples de primes ne sont pas un bénéfice. Les auteurs conseillent de réanalyser le code déjà audité à mesure que les modèles progressent, de vérifier si une lourde orchestration vaut encore d’être maintenue, et de contrôler le chemin vers un résultat autant que le résultat.