OpenAI ले Linux मा 948 स्थानीय रूट त्रुटिहरू रिपोर्ट गरेको छ

यो भिडियोले के समेट्छ

• स्थानीय विशेषाधिकार वृद्धि एक पहिलेदेखि उपस्थित, अप्र privileज्ड स्थानीय प्रयोगकर्ताले रूटमा पुग्नुबाट सुरु हुन्छ। रिपोर्टले मेसिन-विशिष्ट रिमोट-पहुँचको बारेमा कुनै निर्णय दिँदैन।
• पाइपलाइनले प्रारम्भिक डुप्लिकेशन हटाएपछि 2,308 उम्मेदवारहरू उत्पादन गर्यो र 1,724 कमजोर बिन्दुहरू पुन: उत्पादन गर्यो। यसको अन्तिम 948 अद्वितीय स्थानीय निष्कर्षहरूले 1,169 सफल मूल्याङ्कनहरूको भेरियन्ट विश्लेषण पछि एक विशिष्ट-उम्मेदवार-प्याच गणना प्रयोग गर्दछ।
• रिपोर्ट गरिएको $1.2 मिलियन मूल्याङ्कन गरिएका मोडेलहरू, लक्ष्यहरू र कार्यप्रवाहका लागि API क्रेडिटहरू हुन्। ऐतिहासिक बाउंटी मूल्याङ्कनहरू काल्पनिक हुन् र छुट्टै कार्यक्रम स्वीकृति र भुक्तानी आवश्यक पर्दछ।
• आधाररेखा मध्य-अक्टोबर 2026 थियो। 61-अपस्ट्रिम/43-स्टेजिङका तथ्याङ्कहरूले दस दिन पछि अनुसन्धान पूरा भएको वर्णन गर्दछ, त्यसैले हालको वितरण सल्लाहहरू अझै आवश्यक छन्।
• प्रारम्भिक रनको 200 मध्ये 20 सफलताहरूले तोकिएको भन्दा फरक त्रुटि प्रयोग गर्यो। OpenAI ले एक स्वतन्त्र असाइन गरिएको-पथ जाँच थपिएको रिपोर्ट गर्दछ; यो प्रारम्भिक त्रुटिले अन्तिम 948 झूटो हो भनेर स्थापित गर्दैन। निर्णय NEEDS REVIEW थियो जसमा मानव प्याच समीक्षा र पथ जाँचहरू थिए।

अनुवादित ट्रान्सक्रिप्ट

मूल अंग्रेजी कथाबाट अनुवादित। उपलब्ध अडियो र क्याप्सनहरू YouTube द्वारा नियन्त्रित हुन्छन्।

OpenAI को लिनक्स बग गणनाको वास्तविक अर्थ के हो?

0:00 लिनक्स त्रुटि फेला पार्नु यसलाई ठीक गर्नु जस्तै सुनिन्छ। OpenAI ले नौ सय अठ्चालीस स्थानीय रूट निष्कर्षहरू र उम्मेदवार प्याचहरू रिपोर्ट गरेको छ, लगभग एक दशमलभ दुई मिलियन डलर API क्रेडिटमा। यो भिडियोमा, के गणना गरिन्छ? मानव समीक्षाले के समात्यो? एउटा प्रारम्भिक परीक्षण थियो जहाँ मेसिनहरूले साँच्चै रूट प्राप्त गरे, र स्कोरबोर्डले अझै पनि गलत चीजलाई क्रेडिट दियो। हामी मानव समीक्षकहरूले के समात्यो भनेर हेर्नेछौं।

0:20 आज बिहीबार, नोभेम्बर पाँच हो, र यो The Daily Diff हो।

कसको पहुँच रूट बन्न सक्छ?

0:24 लिनक्स कर्नेल एक मेसिनको स्रोत र अनुमतिहरू व्यवस्थापन गर्ने मुख्य भाग हो। स्थानीय विशेषाधिकार वृद्धि भनेको पहिलेदेखि उपस्थित, अप्र privileज्ड प्रयोगकर्ताले रूट, उच्चतम विशेषाधिकार प्राप्त गर्दछ। OpenAI ले अलग्गै अनुसन्धान मेसिनहरूमा त्यो सीमा अध्ययन गर्यो। एउटा मेसिनमा प्रवेश गर्नु छुट्टै समस्या हो। OpenAI ले नोभेम्बर चारमा अनुसन्धान प्रकाशित गर्यो, एउटा स्वचालित पाइपलाइन भित्र आउन लागेको साइबर मोडेलको वर्णन गर्दै। उपयोगी नतिजा भनेको प्रमाण र प्रस्तावित समाधानहरू सहितको निष्कर्षहरूको सेट हो

0:49 मानिसहरूले समीक्षा गर्नका लागि। कागजले त्यो आउन लागेको मोडेलमा सामान्य पहुँचको घोषणा गर्दैन। त्यसले स्वायत्त कथा भित्र एउटा धेरै मानवीय काम छोड्छ। अनुसन्धानकर्ताहरूले आउटपुटहरू समीक्षा गरे र महत्वपूर्ण कमजोर बिन्दुहरू रिपोर्ट गर्न थाले प्याचहरू सहित, कर्नेल समुदायको मार्गदर्शन पालना गर्दै। एजेन्टहरूले इनबक्स भर्न सक्छन्। कसैले अझै पनि के यसमा हुनुपर्छ भनेर निर्णय गर्नुपर्छ। पाइपलाइन कर्नेलका सुरक्षा-सम्बन्धित भागहरूबाट सुरु भयो,

कसरी एक उम्मेदवार प्रमाण बन्छ?

1:10 त्यसपछि डुप्लिकेटहरू हटाएपछि करिब तेईस सय उम्मेदवार निष्कर्षहरू उत्पादन गर्यो। उम्मेदवार भनेको अनुसन्धान गर्न लायकको शंका हो। त्यस बिन्दुमा, एउटा विश्वस्त अनुच्छेद र एक वास्तविक पुन: उत्पादनयोग्य त्रुटि अझै पनि स्प्रेडसिटमा अनाकर्षक रूपमा समान देखिन्छ। त्यसैले एउटा छुट्टै चरणले अलग्गै मेसिनहरू भित्र शंकास्पद समस्याहरू पुन: उत्पादन गर्ने प्रयास गर्यो, के भयो भन्ने प्रमाण सुरक्षित गर्दै। OpenAI ले लगभग सत्र सय पुन: उत्पादन गरिएका कमजोर बिन्दुहरू रिपोर्ट गर्दछ। त्यसले अनुसन्धानकर्ताहरूले निरीक्षण गर्न सक्ने व्यवहार स्थापित गर्दछ।

1:36 अर्को प्रश्न ती समस्याहरू मध्ये कुनले गम्भीर अनुमति सीमा पार गर्छ भन्ने हो। लिनक्सको आफ्नै सुरक्षा रिपोर्टिङ गाइडले कागजी कार्य व्याख्या गर्न मद्दत गर्दछ। मर्मतकर्ताहरूले प्रभावित संस्करण, प्रमाण, र संलग्न अवस्थाहरूको लागि सोध्छन्। यसले कमजोर गुणस्तरको AI रिपोर्टहरूले समीक्षा क्षमता खपत गर्छ भनेर पनि चेतावनी दिन्छ। यो OpenAI को कागजबाट स्वतन्त्र, सामान्य समुदाय मार्गदर्शन हो। यसले निष्कर्षहरूको यो ब्याचलाई प्रमाणित गर्दैन।

अन्तिम गणना 948 किन भयो?

1:58 यहाँ गणना विवरण छ। OpenAI ले मूल्याङ्कनको क्रममा एघार सय उनन्सत्तरी सफल स्थानीय विशेषाधिकार वृद्धिहरू रिपोर्ट गर्दछ। त्यसपछि अनुसन्धानकर्ताहरूले सम्बन्धित भेरियन्टहरू विश्लेषण गरे र नौ सय अठ्चालीस विशिष्ट प्याचहरू विकास गरे। उनीहरूले अद्वितीय स्थानीय वृद्धि निष्कर्षहरू परिभाषित गर्न त्यो प्याच गणना प्रयोग गर्छन्। धेरै सफलताहरू एउटै अन्तर्निहित समस्यासँग सम्बन्धित हुन सक्छन्। लगभग एक दशमलभ दुई मिलियन डलरले मूल्याङ्कन गरिएका मोडेलहरू, लक्ष्यहरू र कार्यप्रवाहका लागि रिपोर्ट गरिएका API क्रेडिटहरू समेट्छ।

2:23 OpenAI ले क्षमता मापनले डिजाइनलाई प्रेरित गर्यो र राम्रो इन्जिनियरिङले लागत घटाउन सक्छ भन्छ। यहाँ कुल अनुसन्धानकर्ता खर्चहरू नापिएको छैन। OpenAI ले निष्कर्षहरूलाई ऐतिहासिक बग बाउंटी पुरस्कारहरूसँग तुलना गर्दछ, एक काल्पनिक मूल्याङ्कन उत्पादन गर्दै। स्वीकृति र भुक्तानी बाउंटी कार्यक्रममा पर्छ। अनुसन्धान गणनालाई पुरस्कारले गुणन गर्नु राम्रो लाग्छ जबसम्म तपाईंले गुणनलाई आफ्नो बैंक खातामा जम्मा गर्ने प्रयास गर्नुहुन्न।

कुन कुराले प्रस्तावित प्याचलाई अझै अपूर्ण बनाउँछ?

2:45 एक प्रस्तावित प्याचलाई पनि आफ्नै समीक्षा चाहिन्छ। लेखकहरू भन्छन् कि प्रारम्भिक प्याचहरूले अनावश्यक कोड थप्दा, प्रदर्शन घटाउँदा, वा सम्बन्धित भेरियन्टहरू छुटाउँदा देखाइएको समस्या रोक्न सक्छ। उनीहरूले निर्देशनहरू सुधार गरे र दोहोर्याए। एक फिक्स फराकिलो कोडबेससँग मिल्नुपर्छ र पहिलो परीक्षणभन्दा बढी टिक्नुपर्छ जो हरियो हुन्छ। OpenAI ले अपस्ट्रिम रिपोर्ट गर्नु अघि गम्भीरता र समाधानहरूको मानव समीक्षा वर्णन गर्दछ। लिनक्सको गाइड भन्छ कि परीक्षण गरिएको प्रस्तावित फिक्सले समीक्षा समय बचाउन सक्छ यदि मर्मतकर्ताहरूले फरक फिक्स रोजे भने पनि।

3:12 अपस्ट्रिम स्वीकृति छुट्टै इन्जिनियरिङ निर्णय रहन्छ।

प्याच स्न्यापशट कहिले मापन गरियो?

3:15 आधाररेखा मध्य अक्टोबरमा नवीनतम कर्नेल थियो। दस दिनको अनुसन्धान र म्यानुअल विश्लेषण पछि, एकासठी स्थानीय वृद्धि समस्याहरू अपस्ट्रिममा प्याच गरियो, तिरालीसमा स्टेजिङ प्याचहरू थिए। OpenAI ले छिटो काम गर्ने मर्मतकर्ताहरूलाई श्रेय दिन्छ। त्यो एउटा अनुसन्धान पूरा भएको स्न्यापशट हो, र परियोजना अगाडि बढिरह्यो। तपाईंको वितरणको आफ्नै शिप गरिएको कर्नेल र अपडेटहरू छन्।

प्रयोगकर्ताहरूका लागि कुन मिति र प्याच स्थिति महत्त्वपूर्ण छ?

3:34 प्रयोगकर्ताहरूका लागि, व्यावहारिक कदम भनेको उनीहरूले वास्तवमा चलाउने सफ्टवेयरका लागि सल्लाहहरू पालना गर्नु हो। एक अपस्ट्रिम अनुसन्धान परिणाम अझै पनि त्यो अपडेट प्रक्रिया मार्फत तपाईंको मेसिनमा रहेको संस्करणमा पुग्नुपर्छ। जसले टेस्ट सुइट पास भएको तर उत्पादनले गलत काम गरेको देखेको छ उसलाई यहाँ आवश्यक अनुहारको भाव थाहा छ। अब त्यो प्रारम्भिक स्कोरबोर्डमा फर्कौं। मानव समीक्षकहरूले सफलता संकेत भित्र एउटा समस्या पत्ता लगाए। एजेन्टले रूट प्राप्त गरेपछि प्रारम्भिक पाइपलाइनले तोकिएको कमजोर बिन्दुलाई क्रेडिट दियो।

3:58 त्यसले नतिजा जाँच गर्छ। तोकिएको निष्कर्षलाई अझै पनि त्यो नतिजासँग जोड्नुपर्छ, किनभने प्रणालीमा एकभन्दा बढी त्रुटि हुन सक्छ। यदि प्रमाणले फरक कारण देखाउँछ भने, मूल रिपोर्टलाई अर्को हेराइ चाहिन्छ।

समीक्षकहरूले प्रारम्भिक रनमा के फेला पारे?

4:09 OpenAI अनुसार, एक प्रारम्भिक रनले दुई सय सफल स्थानीय वृद्धिहरू रिपोर्ट गर्यो। मानव समीक्षाले बीसले तोकिएको भन्दा फरक त्रुटि मार्फत रूट प्राप्त गरेको पत्ता लगायो। सफलता वास्तविक थियो, र एट्रिब्युसन गलत थियो। त्यसले मूल निष्कर्षको प्रमाणलाई अनुत्तरित छोड्न सक्छ जब कि स्कोरबोर्डले उत्सव मनाइरहेको थियो। परीक्षणले गलत प्रश्नको जवाफ दिएको थियो। लेखकहरू भन्छन् कि उनीहरूले बाधा कडा पारे र प्रत्येक अन्तिम नतिजाले यसको तोकिएको कमजोर बिन्दु प्रयोग गरेकोमा एक स्वतन्त्र जाँच थपे। त्यो प्रारम्भिक त्रुटिको लागि उनीहरूको प्रतिक्रिया हो।

4:34 प्रारम्भिक बीसले अन्तिम नौ सय अठ्चालीस निष्कर्षहरू झूटो हो भनेर स्थापित गर्दैन। नतिजा कसरी भयो भनेर जत्तिकै सावधानीपूर्वक जाँच गर्नुहोस् कि यो भयो कि भएन। आशाजनक भाग भनेको समीक्षकहरूलाई उनीहरूले कारबाही गर्न सक्ने प्रमाण दिनु हो, सही निष्कर्ष संलग्न गरेर। यदि तपाईं मलाई यो भन्न सुन्नुको सट्टा यो पढ्न चाहनुहुन्छ भने, diff हरेक बिहान तपाईंको इनबक्समा आउँछ, daily diff dot dev मा निःशुल्क, लिङ्क तल छ। त्यसैले आजको निर्णय, NEEDS REVIEW। म यो पाइपलाइनलाई मानव प्याच समीक्षा र स्वतन्त्र असाइन गरिएको-पथ जाँचहरू सहित

OpenAI को पाइपलाइनमा कुन कुराले निर्णय पाउँछ?

4:55 रक्षात्मक कार्यप्रवाहमा राख्नेछु। रिपोर्ट गरिएका निष्कर्षहरू उपयोगी हुन्छन् जब मर्मतकर्ताहरूले विश्वास गर्न सक्ने प्रमाण प्राप्त गर्छन् र उनीहरूले मूल्याङ्कन गर्न सक्ने समाधानहरू। र आजको लागि यो diff हो। म Axrisi बाट निको हुँ। जिम्मेवारीपूर्वक मर्ज गर्नुहोस्। म Axrisi बाट निको हुँ।

5:10 जिम्मेवारीपूर्वक मर्ज गर्नुहोस्।

स्रोतहरू

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