GPT-5.6のサイバー能力をどう読む？Cybench・ExploitGym・AgentHarm・System Cardの安全整理
GPT-5.6正式System Card、Cybench、ExploitGym、AgentHarmを、攻撃手順ではなく防御的コードレビュー、patch、Work・Codexの権限管理のために安全に読みます。
公開 2026.06.27 / 更新 2026.07.10
この記事のポイント
- System CardのHigh capabilityやCritical未満の記述は、安全策と段階的公開の文脈で読む
- Cybench、ExploitGym、AgentHarmは、防御的レビューと権限設計の材料として扱う
- 記事では攻撃コード、認証回避、権限昇格、jailbreak、live target攻撃を扱わない
2026年7月10日追記：正式System Cardでは3モデルがCybersecurity High、Critical未満
正式System CardはSol・Terra・LunaをCybersecurityでHigh capability、Critical未満と評価しています。benchmark scoreを攻撃手順へ変換せず、防御的review、patch確認、permission、sandbox、network、secret管理へつなげます。
| 公式評価 | Sol | Sol Ultra | Terra | Luna | 安全な使い方 |
|---|---|---|---|---|---|
| SEC-Bench Pro | 71.2% | 74.3% | 57.7% | 48.9% | 脆弱性候補のreviewとpatch確認 |
| ExploitGym | 33.7% | — | 23.2% | 12.4% | 能力評価として読み、再現手順を公開しない |
| CyberGym | 84.5% | — | 81.8% | 77.9% | 防御訓練とpermission設計へつなぐ |
結論：サイバー能力は防御の言葉に置き換える
GPT-5.6のサイバー能力を読む時に大事なのは、何ができるかを煽ることではありません。AIが危険な領域で進みすぎないよう、どこまで防御的レビューに使い、どこから人間確認に戻すかを決めることです。
System Cardを煽らず読む
System CardでHigh capabilityやCritical未満といった表現が出る場合、それは危険性を面白がる材料ではなく、公開範囲、拒否境界、監視、利用制限を考える材料です。個人開発者は、セキュリティ修正の候補作成や差分レビューに寄せて読みます。
Cybench / ExploitGym / AgentHarmの安全な読み方
| ベンチマーク | 測るもの | 防御への示唆 | 記事での扱い |
|---|---|---|---|
| Cybench | サイバー課題に対するモデル能力 | 防御レビューにも能力が効く可能性 | 課題の存在と評価軸に留める |
| ExploitGym | 脆弱性悪用へ進めるエージェント能力 | 悪用を防ぐ権限設計と拒否境界が必要 | 具体的な再現手順を書かない |
| AgentHarm | 有害なエージェント行動の遂行リスク | ツール権限と禁止事項を明文化する | 防御的な安全評価として読む |
| System Card | モデル能力と安全評価 | 段階的公開、拒否、安全策の文脈 | 公式に確認できる範囲だけを書く |
| 扱い | 記事で書く内容 | 書かない内容 |
|---|---|---|
| 防御用途 | 脆弱性修正、権限確認、GitHub Actions permissions、パッチレビュー | 攻撃コードや侵入手順 |
| 注意して扱う用途 | ベンチマークの目的、評価条件、リスク分類 | CTF解法や悪用可能な再現手順 |
| 記事に書かない用途 | 高レベルな安全境界の説明に留める | 認証回避、権限昇格、jailbreak、live target攻撃 |
AGENTS.mdに入れたい安全ルール
## Security boundaries
- Use AI security work for defensive review, patch suggestions, and test planning only.
- Do not include exploit steps, bypass instructions, jailbreak steps, or live-target guidance.
- Do not print .env, API keys, tokens, cookies, private keys, or secret values.
- Ask before dependency upgrades, deploy workflows, permissions changes, database operations, or production deploys.
- Report what was checked, what remains unverified, and whether generated advice is safe to publish.サイバー評価FAQ
GPT-5.6はサイバー攻撃に使えるのですか？
この記事ではその方向では扱いません。能力評価は防御、レビュー、パッチ、権限設計のために読み、攻撃手順は書きません。
ExploitGymは記事で扱ってもよいですか？
安全な抽象度なら扱えます。何を評価する研究か、防御上何を気をつけるかに留め、具体的な悪用手順は避けます。
防御的レビューと攻撃手順の境界はどこですか？
修正方針、権限確認、テスト観点、ログ管理は防御寄りです。侵入、回避、悪用コード、実環境での再現は扱いません。
関連記事
- AIエージェントのベンチマーク完全ガイド：SWE-benchだけでCodexの実力は分からない理由
ベンチマークはランキングではなく、何を測って何を測っていないかを見る道具です。Codex作業に近い評価軸を分けて読みます。
- AgentHarm・AgentHazardで読むAIエージェントの危険な失敗：ツール権限と禁止事項をどう設計するか
AIエージェントの危険は、1つの返答よりも、ツール利用、ファイル操作、外部送信、権限変更の連鎖で大きくなります。防御寄りに整理します。