OpenAI లైనక్స్‌లో 948 స్థానిక రూట్ లోపాలను నివేదించింది

ఈ వీడియో ఏమి కవర్ చేస్తుంది

• స్థానిక అధికార పెరుగుదల అనేది ఇప్పటికే ఉన్న ఒక ప్రత్యేక అధికారం లేని స్థానిక వినియోగదారు రూట్‌ను చేరుకోవడంతో ప్రారంభమవుతుంది. ఈ నివేదిక యంత్ర-నిర్దిష్ట రిమోట్-యాక్సెస్ తీర్పును ఇవ్వదు.
• పైప్‌లైన్ ప్రారంభ డీడప్లికేషన్ తర్వాత 2,308 అభ్యర్థులను ఉత్పత్తి చేసింది మరియు 1,724 దుర్బలత్వాలను పునరుత్పత్తి చేసింది. దాని చివరి 948 ప్రత్యేక స్థానిక అన్వేషణలు 1,169 విజయవంతమైన అంచనాల వేరియంట్ విశ్లేషణ తర్వాత ప్రత్యేక అభ్యర్థి ప్యాచ్ గణనను ఉపయోగిస్తాయి.
• నివేదించబడిన $1.2 మిలియన్లు మూల్యాంకనం చేయబడిన మోడల్స్, లక్ష్యాలు మరియు వర్క్‌ఫ్లో కోసం API క్రెడిట్‌లు. చారిత్రక బౌంటీ మూల్యాంకనాలు ఊహాజనితమైనవి మరియు ప్రత్యేక ప్రోగ్రామ్ ఆమోదం మరియు చెల్లింపు అవసరం.
• బేస్‌లైన్ అక్టోబర్ 2026 మధ్యలో ఉంది. 61-అప్‌స్ట్రీమ్/43-స్టేజింగ్ గణాంకాలు పది రోజుల తర్వాత పరిశోధన పూర్తవడాన్ని వివరిస్తాయి, కాబట్టి ప్రస్తుత పంపిణీ సలహాలు ఇప్పటికీ అవసరం.
• ఒక ప్రారంభ రన్ యొక్క 200 విజయాలలో 20 కేటాయించిన లోపం నుండి వేరే లోపాన్ని ఉపయోగించాయి. OpenAI ఒక స్వతంత్ర కేటాయించిన-మార్గ తనిఖీని జోడిస్తున్నట్లు నివేదించింది; ఈ ప్రారంభ లోపం చివరి 948 తప్పు అని స్థాపించదు. తీర్పు NEEDS REVIEW, మానవ ప్యాచ్ సమీక్ష మరియు మార్గ తనిఖీలతో.

అనువదించబడిన ట్రాన్స్క్రిప్ట్

అసలైన ఆంగ్ల కథనం నుండి అనువదించబడింది. అందుబాటులో ఉన్న ఆడియో మరియు క్యాప్షన్లు YouTube ద్వారా నియంత్రించబడతాయి.

OpenAI యొక్క లైనక్స్ బగ్ గణన నిజంగా అర్థం ఏమిటి?

0:00 లైనక్స్ లోపాన్ని కనుగొనడం దాన్ని పరిష్కరించినట్లే. OpenAI తొమ్మిది వందల నలభై ఎనిమిది స్థానిక రూట్ అన్వేషణలు మరియు అభ్యర్థి ప్యాచ్‌లను నివేదించింది, ఇది సుమారు ఒకటి పాయింట్ రెండు మిలియన్ డాలర్ల API క్రెడిట్‌లకు సమానం. ఈ వీడియోలో, ఏవి లెక్కలోకి వస్తాయి? మానవ సమీక్ష ఏమి పట్టుకుంది? ఒక ప్రారంభ పరీక్షలో యంత్రాలు నిజంగా రూట్‌ను పొందాయి, మరియు స్కోర్‌బోర్డ్ ఇప్పటికీ తప్పు విషయాన్ని క్రెడిట్ చేసింది. మానవ సమీక్షకులు ఏమి పట్టుకున్నారో మనం చూస్తాం.

0:20 ఈ రోజు గురువారం, నవంబర్ ఐదు, మరియు ఇది ది డైలీ డిఫ్.

ఎవరికి యాక్సెస్ రూట్ అవ్వగలదు?

0:24 లైనక్స్ కెర్నల్ అనేది ఒక యంత్రం యొక్క వనరులు మరియు అనుమతులను నిర్వహించే ప్రధాన భాగం. స్థానిక అధికార పెరుగుదల అంటే ఇప్పటికే ఉన్న, అధికారం లేని వినియోగదారు రూట్‌ను, అత్యున్నత అధికారాన్ని చేరుకోవడం. OpenAI ఆ పరిమితిని వేరు చేయబడిన పరిశోధనా యంత్రాలలో అధ్యయనం చేసింది. యంత్రంలోకి ప్రవేశించడం అనేది ఒక ప్రత్యేక సమస్య. OpenAI నవంబర్ నాల్గవ తేదీన పరిశోధనను ప్రచురించింది, ఆటోమేటెడ్ పైప్‌లైన్ లోపల రాబోయే సైబర్ మోడల్‌ను వివరిస్తుంది. ఉపయోగకరమైన ఫలితం అనేది సాక్ష్యం మరియు ప్రతిపాదిత పరిష్కారాలతో కూడిన అన్వేషణల సమితి

0:49 ప్రజలు సమీక్షించడానికి. ఆ రాబోయే మోడల్‌కు సాధారణ ప్రాప్యతను పేపర్ ప్రకటించదు. అది స్వయంప్రతిపత్త కథలో చాలా మానవ పనిని వదిలివేస్తుంది. పరిశోధకులు అవుట్‌పుట్‌లను సమీక్షించారు మరియు కెర్నల్ కమ్యూనిటీ నుండి మార్గదర్శకాలను అనుసరించి, ప్యాచ్‌లతో క్లిష్టమైన దుర్బలత్వాలను నివేదించడం ప్రారంభించారు. ఏజెంట్లు ఇన్‌బాక్స్‌ను నింపగలరు. ఏది అర్హమైనదో ఇంకా ఎవరైనా నిర్ణయించాలి. పైప్‌లైన్ కెర్నల్ యొక్క భద్రతా సంబంధిత భాగాలతో ప్రారంభమైంది,

ఒక అభ్యర్థి ఎలా సాక్ష్యంగా మారతాడు?

1:10 తరువాత నకిలీలను తొలగించిన తర్వాత సుమారు ఇరవై మూడు వందల అభ్యర్థి అన్వేషణలను ఉత్పత్తి చేసింది. ఒక అభ్యర్థి పరిశోధనకు విలువైన అనుమానం. ఆ సమయంలో, ఒక ఒప్పించే పేరా మరియు వాస్తవంగా పునరుత్పత్తి చేయగల లోపం ఇప్పటికీ ఒక స్ప్రెడ్‌షీట్‌లో బాధించే విధంగా ఒకేలా కనిపిస్తాయి. కాబట్టి ఒక ప్రత్యేక దశ వేరు చేయబడిన యంత్రాలలో అనుమానిత సమస్యలను పునరుత్పత్తి చేయడానికి ప్రయత్నించింది, ఏమి జరిగిందో సాక్ష్యాన్ని భద్రపరుస్తుంది. OpenAI సుమారు పదిహేడు వందల పునరుత్పత్తి చేయబడిన దుర్బలత్వాలను నివేదించింది. అది పరిశోధకులు పరిశీలించగల ప్రవర్తనను స్థాపించింది.

1:36 తరువాతి ప్రశ్న ఏమిటంటే, ఆ సమస్యలలో ఏది తీవ్రమైన అనుమతి పరిమితిని దాటుతుంది. లైనక్స్ యొక్క స్వంత భద్రతా నివేదిక గైడ్ పత్రాలను వివరించడానికి సహాయపడుతుంది. నిర్వాహకులు ప్రభావిత వెర్షన్, సాక్ష్యం మరియు సంబంధిత పరిస్థితులను అడుగుతారు. ఇది తక్కువ నాణ్యత గల AI నివేదికలు సమీక్ష సామర్థ్యాన్ని వినియోగిస్తాయని కూడా హెచ్చరిస్తుంది. ఇది సాధారణ కమ్యూనిటీ మార్గదర్శకం, OpenAI యొక్క పేపర్‌కు స్వతంత్రంగా. ఇది ఈ బ్యాచ్ అన్వేషణలను ధృవీకరించదు.

చివరి గణన ఎందుకు 948 అవుతుంది?

1:58 ఇక్కడ గణన వివరాలు. OpenAI అంచనా సమయంలో వెయ్యి నూట అరవై తొమ్మిది విజయవంతమైన స్థానిక అధికార పెరుగుదలలను నివేదించింది. పరిశోధకులు అప్పుడు సంబంధిత వేరియంట్‌లను విశ్లేషించారు మరియు తొమ్మిది వందల నలభై ఎనిమిది విభిన్న ప్యాచ్‌లను అభివృద్ధి చేశారు. వారు ఆ ప్యాచ్ గణనను ప్రత్యేక స్థానిక పెరుగుదల అన్వేషణలను నిర్వచించడానికి ఉపయోగిస్తారు. బహుళ విజయాలు ఒకే అంతర్లీన సమస్యకు చెందినవి కావచ్చు. సుమారు ఒకటి పాయింట్ రెండు మిలియన్ డాలర్లు నివేదించబడిన API క్రెడిట్‌లను వర్తిస్తుంది మూల్యాంకనం చేయబడిన మోడల్స్, లక్ష్యాలు మరియు వర్క్‌ఫ్లో కోసం.

2:23 OpenAI సామర్థ్య కొలత రూపకల్పనను నడిపించిందని మరియు మెరుగైన ఇంజనీరింగ్ ఖర్చులను తగ్గించగలదని చెబుతుంది. మొత్తం పరిశోధనా ఖర్చులు ఇక్కడ కొలవబడలేదు. OpenAI అన్వేషణలను చారిత్రక బగ్ బౌంటీ బహుమతులతో పోల్చింది, ఒక ఊహాజనిత మూల్యాంకనాన్ని ఉత్పత్తి చేస్తుంది. ఆమోదం మరియు చెల్లింపు బౌంటీ ప్రోగ్రామ్‌కు చెందినవి. ఒక బహుమతిని పరిశోధనా గణనతో గుణించడం చాలా బాగుంటుంది, మీరు గుణకారాన్ని మీ బ్యాంక్ ఖాతాలో జమ చేయడానికి ప్రయత్నించే వరకు. ఒక ప్రతిపాదిత ప్యాచ్‌కి దాని స్వంత సమీక్ష కూడా అవసరం. ప్రారంభ ప్యాచ్‌లు అనవసరమైన కోడ్‌ను జోడించడం ద్వారా, పనితీరును తగ్గించడం ద్వారా, లేదా సంబంధిత వేరియంట్‌లను కోల్పోవడం ద్వారా ప్రదర్శించబడిన సమస్యను ఆపగలవని రచయితలు అంటున్నారు.

ప్రతిపాదిత ప్యాచ్‌ను ఇప్పటికీ అసంపూర్ణంగా మార్చేది ఏమిటి?

2:45 వారు సూచనలను మెరుగుపరిచారు మరియు పునరావృతం చేశారు. ఒక పరిష్కారం విస్తృత కోడ్‌బేస్‌కు సరిపోవాలి మరియు మొదటి పరీక్షలో పాస్ అవ్వడం కంటే ఎక్కువ కాలం నిలవాలి. OpenAI తీవ్రత మరియు పరిష్కారాలపై మానవ సమీక్షను వివరించింది అప్‌స్ట్రీమ్‌కు నివేదించే ముందు. లైనక్స్ గైడ్ ప్రకారం, పరీక్షించిన ప్రతిపాదిత పరిష్కారం నిర్వహణదారులు వేరే పరిష్కారాన్ని ఎంచుకున్నప్పటికీ సమీక్ష సమయాన్ని ఆదా చేస్తుంది. అప్‌స్ట్రీమ్ ఆమోదం ఒక ప్రత్యేక ఇంజనీరింగ్ నిర్ణయంగా మిగిలిపోయింది. బేస్‌లైన్ అక్టోబర్ మధ్యలో ఉన్న తాజా కెర్నల్. పది రోజుల పరిశోధన మరియు మాన్యువల్ విశ్లేషణ తర్వాత, అరవై ఒక్క స్థానిక పెరుగుదల సమస్యలు అప్‌స్ట్రీమ్‌లో ప్యాచ్ చేయబడ్డాయి,

3:12 నలభై మూడు స్టేజింగ్ ప్యాచ్‌లను కలిగి ఉన్నాయి.

ప్యాచ్ స్నాప్‌షాట్ ఎప్పుడు కొలవబడింది?

3:15 OpenAI నిర్వహణదారులు త్వరగా కదలడాన్ని క్రెడిట్ చేస్తుంది. అది పరిశోధనా పూర్తయిన స్నాప్‌షాట్, మరియు ప్రాజెక్ట్ కొనసాగింది. మీ పంపిణీకి దాని స్వంత షిప్పింగ్ కెర్నల్ మరియు నవీకరణలు ఉన్నాయి. వినియోగదారుల కోసం, ఆచరణాత్మక దశ వారు నిజంగా నడుపుతున్న సాఫ్ట్‌వేర్ కోసం సలహాలను అనుసరించడం. ఒక అప్‌స్ట్రీమ్ పరిశోధనా ఫలితం ఆ నవీకరణ ప్రక్రియ ద్వారా మీ యంత్రంలోని వెర్షన్‌కు ఇంకా చేరాలి. టెస్ట్ సూట్ పాస్ అవుతున్నప్పుడు ఉత్పత్తి తప్పు పని చేయడం చూసిన ఎవరైనా ఇక్కడ అవసరమైన ముఖ కవళికలను తెలుసు.

వినియోగదారులకు ఏ తేదీ మరియు ప్యాచ్ స్థితి ముఖ్యమైనవి?

3:34 ఇప్పుడు ఆ ప్రారంభ స్కోర్‌బోర్డుకు తిరిగి రండి. మానవ సమీక్షకులు విజయ సంకేతంలో ఒక సమస్యను కనుగొన్నారు. ప్రారంభ పైప్‌లైన్ ఏజెంట్ రూట్‌ను పొందిన తర్వాత కేటాయించిన దుర్బలత్వాన్ని క్రెడిట్ చేసింది. అది ఫలితాన్ని తనిఖీ చేస్తుంది. కేటాయించిన అన్వేషణ ఇంకా ఆ ఫలితానికి కనెక్ట్ చేయబడాలి, ఎందుకంటే సిస్టమ్ ఒకటి కంటే ఎక్కువ లోపాలను కలిగి ఉండవచ్చు. సాక్ష్యం వేరే కారణాన్ని సూచిస్తే, అసలు నివేదికకు మరోసారి చూడాలి. OpenAI ప్రకారం, ఒక ప్రారంభ రన్ రెండు వందల విజయవంతమైన స్థానిక

3:58 పెరుగుదలలను నివేదించింది. మానవ సమీక్ష ఇరవై మంది కేటాయించిన లోపం నుండి వేరే లోపం ద్వారా రూట్‌ను చేరుకున్నారని కనుగొంది. విజయం నిజమైనది, మరియు అట్రిబ్యూషన్ తప్పు. అది అసలు అన్వేషణ యొక్క సాక్ష్యాన్ని పరిష్కరించకుండా వదిలివేయగలదు, స్కోర్‌బోర్డ్ వేడుక చేసుకుంటున్నప్పటికీ. పరీక్ష తప్పు ప్రశ్నకు సమాధానం ఇచ్చింది.

ప్రారంభ రన్‌లో సమీక్షకులు ఏమి కనుగొన్నారు?

4:09 రచయితలు తాము నిబంధనలను కఠినతరం చేశామని మరియు ఒక స్వతంత్ర తనిఖీని జోడించామని అంటున్నారు ప్రతి చివరి ఫలితం దాని కేటాయించిన దుర్బలత్వాన్ని ఉపయోగించిందని. అది ప్రారంభ లోపానికి వారి ప్రతిస్పందన. ప్రారంభ ఇరవై చివరి తొమ్మిది వందల నలభై ఎనిమిది అన్వేషణలు తప్పు అని స్థాపించవు. ఒక ఫలితం ఎలా జరిగిందో, అది జరిగిందా లేదా అన్నంత జాగ్రత్తగా తనిఖీ చేయండి. ఆశాజనకమైన భాగం సమీక్షకులకు వారు చర్య తీసుకోగల సాక్ష్యాన్ని ఇవ్వడం, సరైన అన్వేషణతో జతచేయబడినది.

4:34 నేను చెప్పడం కంటే మీరు దీన్ని చదవడానికి ఇష్టపడితే, డిఫ్ ప్రతి ఉదయం మీ ఇన్‌బాక్స్‌లో ల్యాండ్ అవుతుంది, daily diff dot dev లో ఉచితంగా, లింక్ కింద. కాబట్టి ఈ రోజు తీర్పు, NEEDS REVIEW. నేను ఈ పైప్‌లైన్‌ను మానవ ప్యాచ్ సమీక్ష మరియు స్వతంత్ర మార్గ తనిఖీలతో రక్షణాత్మక వర్క్‌ఫ్లోలో ఉంచుతాను. నివేదించబడిన అన్వేషణలు ఉపయోగకరంగా మారతాయి నిర్వహణదారులు వారు విశ్వసించగల సాక్ష్యాన్ని అందుకుంటారు మరియు వారు అంచనా వేయగల పరిష్కారాలను అందుకుంటారు.

OpenAI యొక్క పైప్‌లైన్‌పై తీర్పు ఏమిటి?

4:55 మరియు అది ఈ రోజుకు డిఫ్. నేను ఆక్సిసి నుండి నికోని. బాధ్యతాయుతంగా విలీనం చేయండి. OpenAI లైనక్స్‌లో 948 స్థానిక రూట్ లోపాలను నివేదించింది OpenAI నియంత్రిత లైనక్స్ పరిశోధన పైప్‌లైన్ నుండి 948 ప్రత్యేక స్థానిక అధికార-పెరుగుదల అన్వేషణలు మరియు అభ్యర్థి ప్యాచ్‌లను నివేదించింది, ఇది సుమారు $1.2 మిలియన్ల API క్రెడిట్‌లకు సమానం. 1,169 విజయవంతమైన అంచనాల వేరియంట్ విశ్లేషణ తర్వాత ప్రత్యేక అభ్యర్థి ప్యాచ్‌లను ఉపయోగించి ఈ సంఖ్యను లెక్కించారు. ప్రారంభంలో కేటాయించిన లోపం యొక్క అట్రిబ్యూషన్ పొరపాటు స్వతంత్ర మార్గ తనిఖీకి దారితీసింది, అయితే మానవ ప్యాచ్ సమీక్ష మరియు అప్‌స్ట్రీమ్ ఆమోదం వేర్వేరు దశలుగా మిగిలిపోయాయి. స్థానిక అధికార పెరుగుదల అనేది ఇప్పటికే ఉన్న ఒక ప్రత్యేక అధికారం లేని స్థానిక వినియోగదారు రూట్‌ను చేరుకోవడంతో ప్రారంభమవుతుంది.

5:10 ఈ నివేదిక యంత్ర-నిర్దిష్ట రిమోట్-యాక్సెస్ తీర్పును ఇవ్వదు.

మూలాలు

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