GPT-6 Sol Daybreak Blue возглавил Cyber Index: +32 балла и $1,77 за задачу

Artificial Analysis расширила Cyber Index: в рейтинг теперь попадают не только публичные модели, но и версии с меньшим числом ограничений по кибербезопасности. Первой стала GPT-6 Sol (Daybreak Blue, max), доступная только через программу OpenAI Daybreak. Она сразу заняла первое место, не наткнулась ни на один safety-блок и набрала на 32 пункта больше, чем публичная GPT-6 Sol (max). Одна задача обходится в $1,77, тогда как Grok 4.7 (xhigh) стоит $11,67.

Что изменилось в рейтинге

Cyber Index развивает Artificial Analysis Cyber Index Alliance, объединение отраслевых партнёров. Оно оценивает, как ИИ-модели справляются с корпоративными задачами киберзащиты в агентном режиме. На старте в индекс входили только публично доступные модели. Такой рейтинг честно показывал, что реально может получить команда, зарегистрировавшаяся в API.

У этого подхода есть ограничение. Публичные модели оснащены защитными механизмами, и в задачах из области безопасности они регулярно отказываются отвечать. Итоговый балл в этом случае отражает и способности модели, и строгость фильтров. Добавив trusted-access версии, авторы индекса получили возможность увидеть, где проходит граница между тем, что модель умеет, и тем, что ей разрешено показывать широкой аудитории.

Цифры и цена

GPT-6 Sol (Daybreak Blue, max) не только лидирует по качеству, но и лежит на парето-границе «стоимость — возможности». Это значит, что ни одна другая модель в индексе не даёт лучший результат за такие же деньги.

• Позиция: первое место в Cyber Index.
• Блокировки: ни одного safety-блока по всему индексу.
• Прирост: +32 пункта к общему баллу относительно публичной GPT-6 Sol (max).
• Стоимость: $1,77 за задачу.
• Конкурент: Grok 4.7 (xhigh) обходится в $11,67 за задачу, то есть примерно в 6,6 раза дороже.
• Доступ: только через программу OpenAI Daybreak.

Главный прирост Daybreak Blue показала на CyberGym-E2E. По наблюдениям Artificial Analysis, именно на этом бенчмарке публичные модели чаще всего отказываются выполнять запросы. Связь выглядит прямой: чем строже фильтры, тем больше баллов теряется на задачах, которые по сути являются рабочей рутиной защитников.

Стоит учесть, что в публикации нет разбивки по остальным бенчмаркам индекса и нет абсолютных значений баллов. Размер разрыва на каждом из них остаётся за пределами этого анонса, подробности лежат в полной таблице на сайте Artificial Analysis.

Как использовать эти данные

Для команд безопасности рейтинг теперь отвечает на два разных вопроса. Первый: что доступно прямо сейчас без особых процедур. Здесь ориентиром остаются публичные модели. Второй: чего можно добиться, если пройти отбор и получить расширенный доступ. Здесь ориентир задаёт Daybreak Blue. Разница в 32 пункта является аргументом в пользу того, чтобы заранее выяснить, подходит ли ваша организация под условия программы.

При выборе модели для агентных сценариев полезно смотреть сразу на два параметра: итоговый балл и цену за задачу. Разница в $1,77 и $11,67 заметна при масштабировании. Если агент прогоняет тысячи инцидентов в сутки, она превращается в отдельную строку бюджета.

При оценке публичных моделей стоит отдельно проверять долю отказов, особенно в сквозных сценариях вроде CyberGym-E2E. Модель с высоким заявленным баллом может оказаться непригодной, если на реальной рабочей задаче она останавливается на защитных фильтрах.

Artificial Analysis обещает и дальше расширять индекс, добавляя как публичные, так и trusted-access модели. Следующие записи в таблице покажут, насколько устойчиво преимущество Daybreak Blue и появятся ли у других разработчиков аналогичные закрытые программы допуска.