OpenAI rapporterer 948 lokale rotfeil i Linux

Hva denne videoen dekker

• Lokal privilegieeskalering starter med at en allerede eksisterende uprivilegert lokal bruker oppnår rot-tilgang. Rapporten gir ingen maskinspesifikk fjernaksesdom.
• Pipelinen produserte 2 308 kandidater etter initial deduplisering og reproduserte 1 724 sårbarheter. De endelige 948 unike lokale funnene bruker et antall distinkte kandidatpatcher etter variantanalyse av 1 169 vellykkede vurderinger.
• De rapporterte 1,2 millioner dollar er API-kreditter for de evaluerte modellene, målene og arbeidsflyten. Historiske bounty-vurderinger er hypotetiske og krever separat programaksept og betaling.
• Grunnlinjen var midten av oktober 2026. Tallene 61-oppstrøms/43-staging beskriver forskningsferdigstillelse etter ti dager, så gjeldende distribusjonsråd er fortsatt nødvendige.
• En tidlig kjørings 20 av 200 suksesser brukte en annen feil enn den tildelte. OpenAI rapporterer at de har lagt til en uavhengig tildelt stisjekk; denne tidlige defekten etablerer ikke at de endelige 948 er falske. Dommen var NEEDS REVIEW med manuell patchgjennomgang og stisjekker.

Oversatt transkripsjon

Oversatt fra den originale engelske fortellingen. Tilgjengelig lyd og undertekster kontrolleres av YouTube.

Hva betyr egentlig OpenAIs Linux-feilantall?

0:00 Å finne en Linux-feil høres ut som å fikse den. OpenAI rapporterer ni hundre førtiåtte lokale rotfunn og kandidat- patcher, til rundt en komma to millioner dollar i API-kreditter. I denne videoen, hva teller? Hva fanget menneskelig gjennomgang opp? Det er en tidlig test hvor maskinene virkelig fikk rot-tilgang, og resultattavlen krediterte fortsatt feil ting. Vi får se hva de menneskelige anmelderne fanget opp.

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

Hvem sin tilgang kan bli rot?

0:24 Linux-kjernen er kjernen som administrerer en maskins ressurser og tillatelser. Lokal privilegieeskalering betyr at en allerede eksisterende, uprivilegert bruker oppnår rot-tilgang, den høyeste privilegiet. OpenAI studerte denne grensen i isolerte forskningsmaskiner. Å komme seg inn på en maskin er et separat problem. OpenAI publiserte forskningen fjerde november, og beskrev en kommende cybermodell i en automatisert pipeline. Det nyttige resultatet er et sett med funn med bevis og foreslåtte fikser som

0:49 folk kan vurdere. Rapporten annonserer ikke generell tilgang til den kommende modellen. Det etterlater en veldig menneskelig jobb i den autonome historien. Forskere gjennomgikk utdataene og begynte å rapportere kritiske sårbarheter med patcher, etter veiledning fra kjernesamfunnet. Agentene kan fylle innboksen. Noen må fortsatt bestemme hva som fortjener å være i den. Pipelinen begynte med sikkerhetsrelevante deler av kjernen,

Hvordan blir en kandidat bevis?

1:10 og produserte deretter rundt tjuefem hundre kandidatfunn etter å ha fjernet duplikater. En kandidat er en mistanke verdt å undersøke. På det tidspunktet ser et overbevisende avsnitt og en faktisk reproduserbar feil fortsatt irriterende like ut i et regneark. Så et separat stadium prøvde å reprodusere de mistenkte problemene i isolerte maskiner, og bevarte bevis for hva som skjedde. OpenAI rapporterer omtrent sytten hundre reproduserte sårbarheter. Dette etablerer atferden forskerne kan inspisere.

1:36 Det neste spørsmålet er hvilke av disse problemene som krysser en alvorlig tillatelses- grense. Linux' egen sikkerhetsrapporteringsguide hjelper til med å forklare papirarbeidet. Vedlikeholdere ber om en berørt versjon, bevis og betingelsene involvert. Den advarer også om at dårlige AI-rapporter forbruker gjennomgangskapasitet. Dette er generell samfunnsveiledning, uavhengig av OpenAIs rapport. Den sertifiserer ikke denne batchen med funn.

Hvorfor blir det endelige antallet 948?

1:58 Her er telledetaljene. OpenAI rapporterer elleve hundre sekstini vellykkede lokale privilegieeskaleringer under vurdering. Forskerne analyserte deretter relaterte varianter og utviklet ni hundre førtiåtte distinkte patcher. De bruker dette patch-antallet for å definere de unike lokale eskaleringsfunnene. Flere suksesser kan tilhøre det samme underliggende problemet. Omtrent en komma to millioner dollar dekker rapporterte API-kreditter for de evaluerte modellene, målene og arbeidsflyten.

2:23 OpenAI sier at kapasitetsmåling drev designet og bedre ingeniørkunst kunne redusere kostnadene. Totale forskerutgifter er ikke målt her. OpenAI sammenligner funnene med historiske feilpremiebelønninger, og produserer en hypotetisk verdsettelse. Aksept og betaling tilhører premieprogrammet. Å multiplisere en belønning med et forskningsantall føles flott til du prøver å sette inn multiplikasjonen på bankkontoen din.

Hva gjør fortsatt en foreslått patch ufullstendig?

2:45 En foreslått patch trenger også sin egen gjennomgang. Forfatterne sier at tidlige patcher kunne stoppe det demonstrerte problemet samtidig som de la til unødvendig kode, ofret ytelse, eller manglet relaterte varianter. De forbedret instruksjonene og itererte. En fiks må passe den bredere kodebasen og overleve mer enn den første testen som blir grønn. OpenAI beskriver menneskelig gjennomgang av alvorlighetsgrad og fikser før rapportering oppstrøms. Linux' guide sier at en testet foreslått fiks kan spare gjennomgangs- tid selv om vedlikeholdere velger en annen fiks.

3:12 Oppstrøms aksept forblir en separat ingeniørmessig beslutning.

Når ble patch-øyeblikksbildet målt?

3:15 Grunnlinjen var den siste kjernen i midten av oktober. Etter ti dager med forskning og manuell analyse, sekstien lokale eskaleringsproblemer ble patchet oppstrøms, med førtitre med staging-patcher. OpenAI krediterer vedlikeholdere som handlet raskt. Det er et øyeblikksbilde av forskningsfullførelse, og prosjektet fortsatte å bevege seg. Din distribusjon har sin egen leverte kjerne og oppdateringer.

Hvilken dato og patch-status er viktig for brukere?

3:34 For brukere er det praktiske trinnet å følge rådene for programvaren de faktisk kjører. Et oppstrøms forskningsresultat må fortsatt nå versjonen på maskinen din gjennom den oppdateringsprosessen. Alle som har sett en testpakke passere mens produktet gjør feil ting kjenner ansiktsuttrykket som kreves her. La oss nå gå tilbake til den tidlige resultattavlen. Menneskelige anmeldere oppdaget et problem i et suksesssignal. Den tidlige pipelinen krediterte en tildelt sårbarhet når agenten oppnådde

3:58 rot-tilgang. Dette sjekker resultatet. Det tildelte funnet må fortsatt kobles til dette resultatet, fordi systemet kan inneholde mer enn én feil. Hvis beviset peker mot en annen årsak, trenger den opprinnelige rapporten en ny

Hva fant anmelderne i den tidlige kjøringen?

4:09 vurdering. Ifølge OpenAI rapporterte en tidlig kjøring to hundre vellykkede lokale eskaleringer. Menneskelig gjennomgang fant at tjue hadde oppnådd rot-tilgang gjennom en annen feil enn den tildelte. Suksessen var reell, og attribusjonen var feil. Dette kunne etterlate det opprinnelige funnets bevis uavklart selv mens resultattavlen feiret. Testen hadde svart på feil spørsmål. Forfatterne sier at de strammet inn begrensninger og la til en uavhengig sjekk som hvert endelige resultat brukte sin tildelte sårbarhet.

4:34 Det er deres respons på den tidlige defekten. De tidlige tjue etablerer ikke at de endelige ni hundre førtiåtte funnene er falske. Verifiser hvordan et resultat skjedde like nøye som om det skjedde. Det lovende er å gi anmeldere bevis de kan handle på, med riktig funn vedlagt. Hvis du heller vil lese dette enn å høre meg si det, lander diffen i innboksen din hver morgen, gratis på thedailydiff.dev, lenke nedenfor.

Hva får dommen over OpenAIs pipeline?

4:55 Så dagens dom, NEEDS REVIEW. Jeg ville beholdt denne pipelinen i den defensive arbeidsflyten med menneskelig patchgjennomgang og uavhengige stisjekker. Rapporterte funn blir nyttige når vedlikeholdere mottar bevis de kan stole på og fikser de kan vurdere. Og det er forskjellen for i dag. Jeg er Niko fra Axrisi.

5:10 Slå sammen ansvarlig.

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