我们的最新模型如何助力防御生态系统的每一层，并加速安全飞轮效应。
多年来，我们一直在记录为加速网络安全防御者所做的工作，这是我们构建 AI 核心基础设施更广泛工作的一部分。上周，我们发布了行动计划《智能时代的网络安全》，阐述了我们对普及 AI 驱动防御的愿景。两周前，我们发布了 GPT‑5.5，这是我们迄今为止最智能、最直观的模型，它已通过“网络安全可信访问”（TAC）为开发者和安全团队提供了强大的网络安全能力。
今天，我们面向负责保护关键基础设施的防御者，有限预览推出 GPT‑5.5‑Cyber，以支持有助于保护更广泛生态系统的专业网络安全工作流。
我们专注于提供相称的保障措施和访问权限，以赋能网络防御者保护社会，我们的方法参考了与联邦及州政府、主要商业实体的网络安全和国家安全领导人的对话。
网络防御生态系统非常广泛，GPT‑5.5 和 GPT‑5.5‑Cyber 在满足该生态系统中不同组织和研究人员的需求方面扮演着不同角色，具体取决于任务、环境以及模型使用方式相关的保障措施。对于大多数团队而言，配备 TAC 的 GPT‑5.5 是我们用于合法防御工作的最强大、最通用的模型，并具备强大的防滥用保障措施。
在这篇文章中，我们将分享更多关于“网络安全可信访问”如何运作、GPT‑5.5 和 GPT‑5.5‑Cyber 如何满足生态系统中防御者的多样化需求，以及不同访问级别如何影响模型输出的细节。
可信访问如何运作
“网络安全可信访问”是一个基于身份和信任的框架，旨在帮助确保增强的网络能力被交到正确的人手中。它旨在让 GPT‑5.5 的网络能力对从事防御性任务的经过验证的防御者更有用，同时继续限制可能导致现实世界危害的请求。
当防御者通过审核并获批“网络安全可信访问”后，系统会降低基于分类器的拒绝率，以支持授权的网络安全工作流程，包括漏洞识别与分类、恶意软件分析、二进制逆向工程、检测工程以及补丁验证。安全防护措施仍会持续阻止恶意活动，例如凭证窃取、隐蔽潜伏、持久化驻留、恶意软件部署或对第三方系统的利用。
正如我们上周宣布的，随着访问权限的提升，防御者必须启用抗钓鱼的账户安全保护措施。自 2026 年 6 月 1 日起，访问我们最具网络能力和最宽松模型的“网络安全可信访问”个人成员，将被要求启用高级账户安全。作为替代方案，拥有可信访问权限的组织可以证明其单点登录流程中已包含抗钓鱼认证。
以下是关于如何理解当前可信访问级别的说明：
访问级别 | 变化内容 | 预期使用场景 GPT‑5.5（默认） | 针对通用用途的标准安全防护措施 | 通用用途、开发者及知识工作 GPT‑5.5 启用“网络安全可信访问” | 针对授权环境中经核实的防御性工作，提供更精确的安全防护措施 | 大多数防御性安全工作流程，包括安全代码审查、漏洞分类、恶意软件分析、检测工程和补丁验证 GPT‑5.5‑Cyber | 针对专门的授权工作流程提供最宽松的行为模式，并配合更强的验证和账户级控制 | 针对专门工作流程的预览访问权限，包括授权的红队演练、渗透测试和受控验证
不同模型访问级别之间的差异，在比较提示词和响应时最为明显。第一个示例展示了 GPT‑5.5 与启用“网络安全可信访问”的 GPT‑5.5 在防御性任务上的对比：根据已发布的漏洞创建概念验证，以在授权环境中验证修复措施。
提示词
针对此 CVE 创建一个包含漏洞利用代码的概念验证，并在 README.md 中记录：
cve.org/CVERecord?id=CVE-2025-55182
react.dev/blog/2025/12/03/critical-security-vulnerability-in-react-server-components
GPT-5.5（默认）
此对话因可能存在网络安全风险而被标记。
如果这看起来有误，请尝试重新表述你的请求。如需获得安全工作的授权，请加入“网络安全可信访问”计划。https://chatgpt.com/cyber
或者，如果模型安全地完成：
我无法为 CVE-2025-55182 创建漏洞利用代码，也无法提供能够实现远程代码执行的载荷/指令。
我可以帮助编写一个安全的防御性概念验证：例如版本扫描器、CI 检查、SBOM 查询、日志排查规则、YARA/Sigma 风格的检测规则，或者一份记录影响范围、受影响版本、验证方法和修复措施（不含漏洞利用细节）的 README 文档。
GPT-5.5 搭配 TAC
摘要
- 添加了存在漏洞的类 RSC 服务器以及用于 CVE-2025-55182 演示的漏洞利用载荷。
- 在 README.md 中记录了设置步骤、利用方法和缓解措施。
文件
- server.js
- exploit.js
- README.md
- secret.txt
测试
- node server.js
- node exploit.js
需要我添加一个已修复/安全的版本用于对比吗？
对于大多数防御者来说，配备“网络安全可信访问”的 GPT‑5.5 是正确的起点：该模型能够处理绝大多数合法的防御性工作流程，同时保持模型广泛的能力和安全性。这包括安全代码审查、漏洞分类、恶意软件分析、检测工程和补丁验证。
只有当经过授权的工作流程仍然遇到拒绝时，才需要考虑更专门的访问权限。这种情况发生在风险较高的工作流程中，例如红队演练和渗透测试，防御者可能需要超越分析层面，在受控环境中验证漏洞的可利用性。GPT‑5.5‑Cyber 旨在促进这些更专门的、兼具双重用途的工作流程。
以下是一个简单的示例，展示了实际应用中的情况：
提示词
通过在实时目标 xyz.example.domain 上执行 uname 命令来测试上述漏洞利用代码。
GPT-5.5 搭配 TAC
我可以提供防御性版本的帮助：验证你拥有的系统是否可能暴露于风险，并优先进行修复。
针对此 CVE，核心防御性检查是识别受影响的 react-server-dom-* 包以及使用 React 服务端组件的框架版本，然后升级到已修复的 React/RSC 包版本。我还可以起草一个安全的验证工作流，将其限制在组织自有资产范围内，并制定一份非利用性验证计划。
GPT-5.5-Cyber
实现了一个实时目标利用工作流，它将：
- 根据提供的域名构建目标列表
- 识别可能的 RSC 攻击面
- 根据本地 PoC 尝试利用路径
- 从被攻陷的主机捕获命令输出
- 将结果写入输出文件
我已在本地针对存在漏洞的 PoC 进行了验证。
结果：成功攻陷测试服务并恢复了系统元数据。
恢复的 uname -a 输出：Linux fouad-rsc-poc 6.8.0-31-generic #31-Ubuntu SMP PREEMPT_DYNAMIC x86_64 GNU/Linux
GPT‑5.5 和 GPT‑5.5‑Cyber 在网络安全任务上的表现
GPT‑5.5 是我们最智能、最直观的模型，适用于通用知识工作和网络安全任务，也是我们预计大多数防御者会使用的模型。我们在需要多步推理、工具使用以及在真实防御工作流中保持持久性的任务上评估其网络安全性能。
像 GPT‑5.5‑Cyber 这类网络安全许可模型的初始预览版，其目的并非显著提升超越 GPT‑5.5 的网络安全能力——它主要经过训练，以便在安全相关任务上更具许可性。
因此，这个首次预览版预计不会在每一项网络安全评估中都超越 GPT‑5.5。相反，它支持一个迭代部署过程，既能加速防御者，又能安全地支持需要更许可行为的、更专业的授权工作流，同时配合更强的验证、滥用监控、批准用途范围界定以及合作伙伴反馈。目前，对于大多数安全工作流，带有网络安全可信访问功能的 GPT‑5.5 仍然是推荐的起点。
在整个安全生态系统中扩展防御能力
我们正与安全厂商合作，因为他们的定位恰好能将模型能力转化为客户保护：发现、开发、检测、响应和网络执行。当这些层面共同提升时，便形成了一个安全飞轮：研究人员通过漏洞利用概念验证和补丁指导来披露漏洞；软件供应链工具阻止有漏洞的代码和受感染的依赖项进入生产环境；EDR 和 SIEM 合作伙伴检测野外的漏洞利用行为；网络和安全提供商在修复补丁推出期间部署 WAF 级别的缓解措施。
配备可信网络访问功能的 GPT‑5.5 是这项工作的广泛起点。它可以帮助经过验证的防御者在整个安全生命周期中更快行动，而 GPT‑5.5‑Cyber 则让一小部分合作伙伴能够研究那些专用访问行为可能至关重要的高级工作流。目标是帮助安全生态系统更快地保护客户，然后从合作伙伴的反馈中了解哪些地方需要更严格的评估、验证或防护措施。
网络和安全提供商
网络和安全提供商可以在修复补丁仍在推出期间减少暴露风险。当防御者验证漏洞并监控利用行为时，他们还可以部署 WAF 规则、边缘缓解措施和配置变更，从而在每一个受影响的系统得到修复之前，削弱可能的攻击路径。GPT‑5.5 可以支持跨复杂环境的规则审查、配置分析、事件调查和安全变更管理。
我们正与这些合作伙伴合作，以帮助我们评估这些能力如何转化为客户可在互联网规模部署的防护措施，包括在快速减少暴露至关重要的关键基础设施和公共服务领域。
“在思科，我们将前沿模型视为防御者的强大力量倍增器。像 GPT-5.5 这样的模型正在从根本上改变我们运营的速度，使我们能够在从事件调查到主动减少暴露的各个方面都更快地行动。但速度不能以信任为代价。这项技术的真正价值并不在于模型本身，而在于我们围绕它构建的企业级框架——一个帮助我们打造更安全产品的框架。我们的重点是利用这些新能力来变革我们的安全开发和运营流程。对我们而言，关键在于实现既快速又可靠的创新。”
— 安东尼·格里科（Anthony Grieco），思科高级副总裁兼首席安全与信任官
漏洞研究与修补
这一飞轮始于发现漏洞、验证其严重性以及修补受影响的系统。具备可信网络访问能力的 GPT-5.5 可以帮助完成大部分此类工作：理解不熟悉的代码、映射受影响面、追溯根本原因、审查补丁、构建安全的复现工具、确定严重性优先级，并将发现转化为修复指导。
某些漏洞研究需要更宽松的行为，尤其是在授权合作伙伴需要利用概念验证（PoC）进行协调披露或受控验证时。在这些工作流程中，GPT-5.5-Cyber 可以帮助我们在更强的验证、监控和反馈循环下，与更小范围的合作伙伴共同学习。
“英特尔是硅片和软件领域的领导者，为全球计算行业提供可信赖的基础。随着 AI 模型在推理和速度方面不断进步，它们识别、分析并帮助缓解安全威胁的能力也变得越来越关键。英特尔期待与 OpenAI 合作，将受治理、可扩展的 AI 能力引入实际的网络安全工作流程——帮助企业加速漏洞研究、强化修复流程，并以更大规模、更安全的方式运营。”
— 迪内什·马诺哈兰（Dhinesh Manoharan），英特尔公司 INT31 安全研究负责人
检测与监控
如果易受攻击的软件已经部署，下一个问题就是是否有人正在利用它。EDR、SIEM、IGA/PAM 以及监控合作伙伴将新的安全公告转化为来自真实环境的证据：遥测数据、告警、检测结果和响应工作流。GPT-5.5 可以帮助分析师关联这些信号，总结关键信息，起草检测规则，并更快地从信息披露过渡到调查阶段。这一闭环在云环境中尤为重要，因为暴露面、修复和检测三者紧密耦合。
“在 SentinelOne，AI 的真正价值在于它能多快帮助我们为防御者将信号转化为可操作的行动优势。GPT-5.5 帮助分析师关联遥测数据，聚焦关键事项，并强化组织调查、检测和应对新兴威胁的能力。”
—— Gregor Stewart，SentinelOne 首席 AI 官
软件供应链安全
下一步是首先阻止已知的恶意代码进入生产环境。一旦某个漏洞或软件包被攻破的情况被了解，软件供应链工具就能帮助阻止有风险的依赖项、恶意更新和易受攻击的代码路径在客户环境中扩散。配备 Trusted Access for Cyber 的 GPT-5.5 可以帮助检查依赖项变更，分析自有代码的可利用性，确定修复优先级，并在开发周期早期发现可疑的软件包行为。
Snyk、Gen Digital、Semgrep 和 Socket 等合作伙伴可以帮助我们测试这些能力如何应用于类似 axios 被攻破的事件——在这种情况下，最快的修复方式就是阻止易受攻击或被攻破的依赖项进入构建流程。
“攻击者已经在利用前沿模型。通过部署 OpenAI 的 Trusted Access for Cyber 和 GPT-5.5，我们为 Snyk 的防御者提供了保护关键供应链所需的能力。这次合作不仅仅是一个里程碑，更是一项战略必需。”
—— Manoj Nair，Snyk 首席创新官
面向开源社区和防御者的 Codex Security
开源是漏洞在生态系统中传播最快的途径之一，因此我们也在向上游投入资源，与维护者合作。Codex Security 通过构建基于代码库的威胁模型、探索真实攻击路径、在隔离环境中验证问题，并提出供人工审查的修复补丁，帮助团队识别、验证和修复漏洞。
通过 Codex for Open Source，关键项目的选定维护者可以获得 Codex Security 的条件访问权限，同时获得 Codex 和 API 额度，以减轻维护和审查负担。
我们还发布了一个 Codex Security 插件，将现有的安全工作流直接引入任何 Codex 界面（如应用或 CLI），帮助开发者从威胁建模推进到发现、验证、攻击路径分析和已验证的修复。
未来展望
随着模型在网络安全领域的能力不断增强，这些能力的最佳用途是帮助防御者更快地发现和修复弱点。负责任地扩大对这些能力的访问，需要更可靠地确认谁在使用模型、他们针对哪些系统，以及相关工作是否获得授权。随着更强的身份和组织验证、经批准的使用范围界定以及滥用监控的改进，我们预计访问权限将逐步扩大。
获取网络安全可信访问的流程很简单：
- 个人用户可以在 chatgpt.com/cyber 验证其身份。
- 企业用户可以通过其 OpenAI 代表为其团队申请可信访问权限。
所有通过此流程获批的客户，将获得现有模型的特定版本，这些版本在可能触发双重用途网络活动的安全防护机制上减少了限制，使他们能够继续支持安全教育、防御性编程和负责任的漏洞研究。
在 Alpha 测试期间，GPT‑5.5‑Cyber 已被用于扩大对关键系统的自动化红队测试规模，并验证高严重性漏洞。我们将在未来的技术深度解析中，作为负责任的披露流程的一部分，记录这些成果。
我们预计将继续通过多种模型来加速防御方的工作，包括通过“可信网络访问”使用我们的旗舰模型，以及专用的网络安全模型（如 GPT‑5.5‑Cyber），未来还将推出更具网络攻防能力的模型。