OpenAI rapporterer 948 lokale root-fejl i Linux

Hvad denne video dækker

• Lokal privilegieforøgelse starter med en allerede eksisterende, uprivilegeret lokal bruger, der opnår root-adgang. Rapporten giver ingen maskinspecifik fjernadgangsvurdering.
• Pipelinjen producerede 2.308 kandidater efter indledende deduplikering og reproducerede 1.724 sårbarheder. De endelige 948 unikke lokale fund anvender et tælling af særskilte kandidatpatches efter variantanalyse af 1.169 vellykkede vurderinger.
• De rapporterede 1,2 millioner dollars er API-kreditter til de evaluerede modeller, mål og workflow. Historiske bounty-vurderinger er hypotetiske og kræver særskilt programaccept og betaling.
• Baseline var midten af oktober 2026. Tallene 61-upstream/43-staging beskriver forskningens afslutning efter ti dage, så nuværende distributionsmeddelelser forbliver nødvendige.
• 20 ud af 200 succeser i et tidligt forsøg anvendte en anden fejl end den tildelte. OpenAI rapporterer, at de har tilføjet en uafhængig kontrol af den tildelte sti; denne tidlige fejl fastslår ikke, at de endelige 948 er falske. Dommen var NEEDS REVIEW med menneskelig patchgennemgang og stikprøvekontroller.

Oversat udskrift

Oversat fra den originale engelske fortælling. Tilgængelig lyd og undertekster styres af YouTube.

Hvad betyder OpenAIs Linux-fejltælling egentlig?

0:00 At finde en Linux-fejl lyder som at rette den. OpenAI rapporterer ni hundrede otteogfyrre lokale root-fund og kandidat- patches til en værdi af omkring 1,2 millioner dollars i API-kreditter. Hvad tæller i denne video? Hvad fangede menneskelig gennemgang? Der er en tidlig test, hvor maskinerne faktisk fik root-adgang, og resultattavlen krediterede stadig det forkerte. Vi vil se, hvad de menneskelige anmeldere fangede.

0:20 Det er torsdag den femte november, og dette er The Daily Diff.

Hvis adgang kan blive root?

0:24 Linux-kernen er kernen, der styrer en maskines ressourcer og tilladelser. Lokal privilegieforøgelse betyder, at en allerede eksisterende, uprivilegeret bruger opnår root-adgang, den højeste privilegium. OpenAI undersøgte den grænse i isolerede forskningsmaskiner. At komme ind på en maskine er et separat problem. OpenAI offentliggjorde forskningen den fjerde november, der beskriver en kommende cybermodel i en automatiseret pipeline. Det nyttige resultat er et sæt fund med beviser og foreslåede rettelser, som

0:49 folk kan gennemgå. Artiklen annoncerer ikke generel adgang til den kommende model. Det efterlader et meget menneskeligt job i den autonome historie. Forskere gennemgik resultaterne og begyndte at rapportere kritiske sårbarheder med patches, efter vejledning fra kernefællesskabet. Agenterne kan fylde indbakken. Nogen skal stadig beslutte, hvad der fortjener at være i den. Pipelinjen begyndte med sikkerhedsrelevante dele af kernen,

Hvordan bliver en kandidat til bevis?

1:10 producerede derefter omkring to tusinde tre hundrede kandidatfund efter at have fjernet dubletter. En kandidat er en mistanke, der er værd at undersøge. På det tidspunkt ser et overbevisende afsnit og en faktisk reproducerbar fejl stadig irriterende ens ud i et regneark. Så et separat trin forsøgte at reproducere de mistænkte problemer i isolerede maskiner og bevarede beviser for, hvad der skete. OpenAI rapporterer cirka sytten hundrede reproducerede sårbarheder. Det etablerer adfærd, som forskerne kan inspicere.

1:36 Det næste spørgsmål er, hvilke af disse problemer der krydser en alvorlig tilladelsesgrænse. Linux' egen sikkerhedsrapporteringsvejledning hjælper med at forklare papirarbejdet. Vedligeholdere beder om en berørt version, beviser og de involverede betingelser. Den advarer også om, at AI-rapporter af dårlig kvalitet forbruger gennemgangskapacitet. Det er generel fællesskabsvejledning, uafhængigt af OpenAIs rapport. Den certificerer ikke denne batch af fund.

Hvorfor ender det endelige antal på 948?

1:58 Her er tælle-detaljen. OpenAI rapporterer elleve hundrede niogtres vellykkede lokale privilegieforøgelser under vurderingen. Forskerne analyserede derefter relaterede varianter og udviklede ni hundrede otteogfyrre særskilte patches. De bruger dette patch-antal til at definere de unikke lokale eskalationsfund. Flere succeser kan tilhøre det samme underliggende problem. Omkring 1,2 millioner dollars dækker rapporterede API-kreditter til de evaluerede modeller, mål og workflow.

2:23 OpenAI siger, at kapacitetsmåling drev designet, og bedre engineering kunne reducere omkostningerne. De samlede forskeromkostninger er ikke målt her. OpenAI sammenligner fundene med historiske bug bounty-belønninger, hvilket giver en hypotetisk vurdering. Accept og betaling tilhører bounty-programmet. At multiplicere en belønning med et forskningsresultat føles fantastisk, indtil du prøver at indsætte multiplikationen på din bankkonto.

Hvad gør stadig en foreslået patch ufuldstændig?

2:45 En foreslået patch skal også gennemgås. Forfatterne siger, at tidlige patches kunne stoppe det demonstrerede problem, samtidig med at de tilføjede unødvendig kode, ofrede ydeevne eller manglede relaterede varianter. De forbedrede instruktionerne og gentog processen. En rettelse skal passe til den bredere kodebase og overleve mere end den første test, der bliver grøn. OpenAI beskriver menneskelig gennemgang af alvorlighed og rettelser, før rapportering upstream. Linux' vejledning siger, at en testet foreslået rettelse kan spare gennemgangstid, selvom vedligeholdere vælger en anden rettelse.

3:12 Upstream-accept forbliver en separat teknisk beslutning.

Hvornår blev patch-øjebliksbilledet målt?

3:15 Baseline var den seneste kerne i midten af oktober. Efter ti dages forskning og manuel analyse, blev enogtres lokale eskalationsproblemer rettet upstream, hvor treogfyrre havde staging-patches. OpenAI roser vedligeholdere for at handle hurtigt. Det er et øjebliksbillede af forskningens færdiggørelse, og projektet fortsatte med at bevæge sig. Din distribution har sin egen leverede kerne og opdateringer.

Hvilken dato og patch-status er vigtig for brugere?

3:34 For brugere er det praktiske trin at følge vejledninger for den software, de faktisk kører. Et upstream-forskningsresultat skal stadig nå versionen på din maskine via den opdateringsproces. Enhver, der har set en testsuite passere, mens produktet gør det forkerte, kender det ansigtsudtryk, der kræves her. Vend nu tilbage til den tidlige resultattavle. Menneskelige anmeldere opdagede et problem inde i et succes-signal. Den tidlige pipeline krediterede en tildelt sårbarhed, når agenten opnåede

3:58 root. Det kontrollerer resultatet. Det tildelte fund skal stadig forbindes til dette resultat, fordi systemet kan indeholde mere end én fejl. Hvis beviserne peger på en anden årsag, skal den oprindelige rapport tages op til

Hvad fandt anmelderne i det tidlige forsøg?

4:09 fornyet overvejelse. Ifølge OpenAI rapporterede et tidligt forsøg to hundrede vellykkede lokale eskalationer. Menneskelig gennemgang fandt, at tyve havde opnået root-adgang via en anden fejl end den tildelte. Succesen var reel, og tilskrivningen var forkert. Det kunne efterlade det oprindelige fonds bevis uløst, selvom resultattavlen fejrede. Testen havde besvaret det forkerte spørgsmål. Forfatterne siger, at de strammede begrænsningerne og tilføjede en uafhængig kontrol, der sikrede, at hvert endeligt resultat brugte sin tildelte sårbarhed.

4:34 Det er deres svar på den tidlige fejl. De tidlige tyve beviser ikke, at de endelige ni hundrede otteogfyrre fund er falske. Verificer, hvordan et resultat skete, lige så omhyggeligt som om det skete. Den lovende del er at give anmeldere beviser, de kan handle ud fra, med den rigtige fund vedhæftet. Hvis du hellere vil læse dette end høre mig sige det, lander diffen i din indbakke hver morgen, gratis på thedailydiff.dev, link nedenfor.

Hvad giver dommen over OpenAIs pipeline?

4:55 Så dagens dom, NEEDS REVIEW. Jeg ville beholde denne pipeline i det defensive workflow med menneskelig patchgennemgang og uafhængige stikprøvekontroller. Rapporterede fund bliver nyttige, når vedligeholdere modtager beviser, de kan stole på, og rettelser, de kan vurdere. Og det er forskellen for i dag. Jeg er Niko fra Axrisi.

5:10 Flet ansvarligt.

Kilder

1. A thousand fewer paths to root — reported Linux pipeline method and countsOpenAI
2. Unique findings defined by distinct candidate patches after variant analysisOpenAI
3. Early wrong-assigned-flaw result and added independent path checkOpenAI
4. Research-completion patch snapshot and mid-October baselineOpenAI
5. Security bugs — general reporting and AI report-quality guidanceThe Linux Kernel
6. Discussion of OpenAI's Linux research, interest context onlyHacker News
7. Sam Altman portrait — TechCrunch; Steve Jennings/Getty Images for TechCrunch; CC BY 2.0; cropped, background removed and resized; vendor identification, no endorsement or current reactionTechCrunch via Wikimedia Commons
8. Portrait licence: Creative Commons Attribution 2.0Creative Commons
9. Drake Hotline Bling template — brief transformed process commentary, no actual news reaction or blanket reuse licenceImgflip
10. Nathan Fillion in Firefly, HULU disbelief GIF — brief transformed process commentary, no actual news reaction or blanket reuse licence; public hosting does not certify legal clearanceHULU on GIPHY
11. Original Sam Altman portrait — TechCrunch; Steve Jennings/Getty Images for TechCrunch; CC BY 2.0; cropped, background removed and resized; vendor identity only, no endorsement or personal study authorshipTechCrunch on Flickr