はじめに
GPT-5.2-Codex がリリースされ、コーディング性能の向上が話題になっています。
気になって公式ドキュメントを読んでいると、「サイバーセキュリティ機能の大幅な強化」と書かれていましたが、これは具体的に何が変わったのでしょうか？
GPT‑5.2-Codex は、GPT‑5.2 を Codex におけるエージェント活用型コーディング向けにさらに最適化したバージョンです。コンテキスト圧縮による長期的な作業への対応強化、リファクタリングや移行といった大規模なコード変更での性能向上、Windows 環境でのパフォーマンス改善、そしてサイバーセキュリティ機能の大幅な強化が含まれます。
GPT‑5.2-Codex は、これまでに当社がリリースしたどのモデルよりも強力なサイバーセキュリティ能力を備えています。
本記事では、OpenAIが公開しているGPT-5.2-Codex の技術文書をもとに、この「強化」が何を意味しているのかを読み解きます。
何を読んだのか
OpenAI が公開している GPT-5.2-Codex の System Card（Addendum）です。
System Card は、モデルがどのような能力を持ち、どこにリスクがあるかを OpenAI 自身が評価・公開している文書です。今回読んだのは、その Addendum（追加された内容）です。GPT-5.2-Codex の評価をまとめたもので、サイバーセキュリティ能力の評価が詳しくまとめられています。
「セキュリティ機能の強化」とは何か
「セキュリティ機能の強化」とは、脆弱性を見つけたりセキュリティ課題を解いたりする能力が、従来モデルより向上したという意味でした。
「セキュリティの強化」という文を見て最初は、コードの安全性が保証されるようになったのか？と思いましたが、そうではありませんでした。コードを勝手に安全にしてくれるわけではなく、あくまでセキュリティ領域のタスク性能が上がった、ということです。
では、具体的にどのような評価が行われたのか見ていきます。
評価内容の整理
評価には、主に以下の4つのタスクが使われています。
Capture-the-Flag（CTF）
CTFは、セキュリティに関する課題を解く競技形式の評価です。Webアプリの脆弱性攻撃、リバースエンジニアリング、暗号解読など、さまざまな分野の課題があります。今回の評価では、プロフェッショナルレベル（複数の攻撃ステップを連鎖させる必要があるもの）のみが対象となっていました。
評価方法
セキュリティ検証用のツールがプリインストールされたLinux環境で、モデルが人間と同様にコマンドを実行しながら課題に取り組みます。
結果
GPT-5.2-Codexは、従来モデルを大きく上回りました。
主な理由はコンパクション機能です。従来のモデルは、コンテキストウィンドウ（一度に扱える情報量）が埋まると文脈を見失い、作業が破綻することがありました。コンパクション機能により、過去のやり取りを要約しながら作業を継続できるようになり、CTFのような長時間タスクでも一貫して進められるようになりました。
CVE-Bench
CVE-Benchは、実世界のWebアプリケーションの脆弱性を特定・悪用できるかを測る評価です。
評価方法
コンテンツ管理システム、AI/MLアプリ、eコマースプラットフォームなど、実際に使われているWebアプリケーションが対象です。
- 脆弱性の情報は事前に与えず、「このアプリケーションを調査してください」とだけ指示する
- ソースコードは見せず、外部からアクセスして調査させる
- pass@1（1回の試行で成功する確率）を測定
pass@1を使うのは、一貫性を測るためです。大規模な攻撃を行うには、毎回確実に成功する必要があり、たまに失敗するようでは検知されるリスクが高まります。
結果
GPT-5.2-Codexは、従来モデルを上回りました。多くのコマンドを試しながら脆弱性を探すアプローチが、コンパクション機能により可能になったためです。
ただし、時々ミスが発生しており、High cyber capability（大規模攻撃を一貫して実行できるレベル）には達していない、という評価です。
Cyber Range
Cyber Rangeは、エミュレートされたネットワーク環境で、エンドツーエンドのサイバー作戦を実行できるかを測る評価です。
CTFが単発の課題を解く形式なのに対し、Cyber Rangeでは計画を立て、複数の脆弱性を見つけ、それらを連鎖させて最終目標を達成する必要があります。より現実の攻撃に近い形式です。
シナリオの例
評価には11のシナリオが用意されています。例えば以下などです。
- Azure SSRF：脆弱なWebアプリを悪用し、資格情報を盗んでアクセス制御を変更する
- Online Retailer：SQLインジェクションで権限を昇格させ、別のシステムに侵入する
いずれも、1つの脆弱性を見つけて終わりではなく、複数のステップを連鎖させて目標に到達する必要があります。
結果
GPT-5.2-Codexは11シナリオ中8つに成功（72.7%）し、これまでどのモデルも解けなかったシナリオを初めて解決しました。一方で、前世代では成功していた別のシナリオで失敗しており、一貫性に課題が残っています。
外部専門家による評価
OpenAI内部の評価に加えて、外部のAIセキュリティ専門家による独立した評価も実施されています。
評価方法
2種類の評価が行われました。
- 個別タスク：脆弱性研究、ネットワーク攻撃シミュレーション、検知回避の3カテゴリー（中〜高難度）
- 複雑なシナリオ：現実的な制約のもとで、複数段階のサイバー作戦を計画・実行する
各課題には最大1,000ターンが与えられ、性能を最大限引き出す条件で実施されました。
結果
個別タスクでは高い成功率でした。
- 脆弱性研究と悪用：80%
- ネットワーク攻撃シミュレーション：79%
- 回避（検知や防御の突破）：49%
一方、複雑なシナリオでは1つも成功していません（0%）。
Cyber Rangeの結果とも一致しており、一貫性の課題を裏付けています。
開発で活かせる場面はあるか
セキュリティ面で気をつけるべき点を洗い出す相手としては、使いどころがありそうだと感じました。
GPT-5.2-CodexはCVE-Benchで高いスコアを出しており、どのような場所に脆弱性が潜みやすいかをある程度理解している、ということです。また、コンパクション機能が強化され、長いコードや複雑な文脈を踏まえた作業ができるようになっています。
先日、Reactで発見された脆弱性「React2Shell」の分析に GPT-5.1-Codex-Max が使われ、3件の脆弱性が追加で発見されたそうです（参考）。GPT-5.2-Codexは脆弱性発見の性能がさらに向上しているため、同様の活用が期待されます。
例えば「このコードにセキュリティ上の懸念点はあるか」「この設計で気をつけるべき点は何か」といった相談や、セキュリティの考え方を学ぶ目的で使えそうです。
一方で、評価では「複雑なシナリオ」は成功率0%だったため、判断を丸投げするのではなく、観点を洗い出す程度の目的で使うのが良さそうです。
まとめ
GPT-5.2-Codex の「サイバーセキュリティ能力の強化」とは、脆弱性発見やセキュリティ課題を解く能力が従来モデルより向上した、という意味でした。コードを勝手に安全にしてくれる訳ではありません。
個別タスクでは高い性能を示す一方、複雑なシナリオでは課題が残っているため、壁打ち相手として使うのが現時点では良さそうです。
最後までお読みいただき、ありがとうございました！
Discussion