SentinelOne称借助OpenAI的Daybreak网络安全模型，复杂恶意软件分析时间可从过去需要的4–6周压缩到约8小时，但人类分析师仍负责最终判断与问责。该技术可并行处理更多样本、绘制更完整的威胁图景，同时也带来双重用途风险，需结合访问控制与人工监督。
SentinelOne表示，借助OpenAI的Daybreak网络安全模型，其研究人员如今可以在大约8小时内完成一项过去需要顶尖逆向工程师4至6周的复杂恶意软件分析。这个变化并不意味着人工分析师已经被取代，而是把网络安全行业长期受限于专家数量的瓶颈，推向了一个新的阶段：模型可以承担更长时间、更大规模的调查工作，但最终判断、授权和问责仍然掌握在人类手中。
这项客户案例由OpenAI发布，标题为“SentinelOne cuts malware analysis from weeks to hours”。OpenAI页面目前受到Cloudflare验证限制，但页面正文显示，SentinelOne首席人工智能官Gregor Stewart称，Daybreak能够以接近人类专家的水平完成逆向工程工作，并把分析时间压缩到约8小时。
从少量重点样本到更大的威胁图景
复杂恶意软件的逆向分析通常需要研究人员拆解二进制程序、还原隐藏组件、理解加密或混淆逻辑，再把每一个结论与运行行为和其他样本进行交叉验证。过去，安全研究团队往往只能把这种深度分析留给少数最重要或最有研究价值的样本。
SentinelOne说，时间成本下降后，研究人员可以并行调查更多恶意软件，并比较不同样本之间是否共享组件、代码或基础设施。这种比较的价值不只在于更快回答“某个样本做了什么”，还在于发现原本分散的攻击活动之间的联系，从而帮助防守方更早识别同一攻击者或同一工具链的变化。
Stewart在OpenAI客户案例中说，过去团队只能逆向“非常少量”的软件；如果分析能力可以覆盖更多样本，研究人员就有机会绘制出更完整的恶意软件生态，并更主动地把防御范围延伸到尚未直接暴露的威胁。
这一趋势与SentinelLABS随后公布的研究相互呼应。在题为“Sol Searching”的测试中，SentinelOne把一项围绕2005年“fast16”破坏性植入程序的真实调查重构为八阶段逆向工程任务。该公司称，GPT-5.6 Sol是唯一完成全部八个阶段的公开可用模型；其他模型也能完成局部分析，但无法持续处理新证据推翻旧结论后的修正工作。
不过，SentinelLABS同时强调，最强的模型仍然会犯语义错误、接受不充分的质量控制，甚至过早宣称工作已经完成。该研究把最现实的应用形态定义为“受监督的调查代理”，而不是无需审查的自动化专家。
Daybreak被嵌入安全厂商的工作流
SentinelOne于2026年9月3日宣布，将OpenAI Daybreak模型引入其Wayfinder Frontier AI Services。根据SentinelOne的新闻稿，该服务从GPT-5.6-Cyber开始，新增代码风险分析、入侵评估和恶意软件分析能力。相关模型由OpenAI通过Daybreak Defense Network提供，SentinelOne的攻防专家负责验证结果并向客户提供优先级和修复建议。
这项公告需要区分两个状态：Wayfinder Frontier AI Services本身已经可以提供服务，但采用Daybreak模型的新能力和扩展模型阵容当时仍处于私有预览阶段，后续才会扩大可用范围。因此，公开材料证明的是产品扩展和测试结果，而不是所有企业客户已经能够使用完整功能。
在代码风险分析场景中，系统可以扫描代码仓库，寻找OWASP类缺陷、植入代码、暴露的秘密以及供应链风险。如果发现可疑样本，相关流程还可以结合反汇编、去混淆和沙箱证据，评估恶意代码的能力、持久化方式和命令控制关系。SentinelOne称，最终结果会包括入侵指标、MITRE ATT&CK映射和建议的检测规则，并由安全分析师进行验证。
入侵评估则主要针对企业已有的遥测和检测规则，帮助发现VPN、代理、远程管理工具等双重用途软件造成的风险。AI可以先从大量信号中筛选可疑路径，再把结果交给防御分析师判断真实的可利用性、范围和影响。
这种模式与Sophos在OpenAI Daybreak案例中展示的威胁调查自动化相似：模型并不是以一个通用聊天机器人的形式直接面对客户，而是被放进已有的数据源、工具链、权限系统和人工审批流程中。真正的产品化难题，不只是让模型回答得更快，而是让它在跨系统执行任务时留下可审计的过程，并在需要时及时交还控制权。
速度提升也扩大了双重用途风险
网络安全模型的防守价值与攻击风险来自同一项能力：持续处理复杂技术任务，并在失败后重新规划路径。一个能够长时间拆解恶意软件、修复分析错误并继续推进的系统，也可能被用于自动化漏洞研究、攻击路径规划和恶意代码迭代。
SentinelOne在另一篇分析“The Model Is the Malware”中，把这种变化概括为“持久性”正在成为智能体攻击的关键特征。该公司比较了2026年7月至8月间公开披露的多起事件，并指出，智能体的风险不一定来自某一个特别复杂的工具，而可能来自它在失败后持续重建工具、恢复通信或寻找新路径的能力。
这也是为什么Daybreak的商业模式强调受信任的防守者、访问控制和人类监督，而不是把最强模型无条件开放给所有用户。OpenAI在Daybreak的官方介绍中把网络防御概括为资产盘点、发现、验证、分派、修复和证明的连续循环，并表示将为前线防御者提供总额10亿美元的补贴访问和支持。目标群体包括地方政府、关键基础设施运营者、社区银行、非营利组织和开源维护者。
类似的控制思路也出现在英伟达发布的开放式智能体安全平台中：安全边界不应只依赖模型是否遵守提示词，还需要在运行时、沙箱、凭据、网络出口乃至硬件层执行。对于能够连续运行数小时或数天的代理而言，权限范围、回滚机制和日志记录往往与模型本身的能力同等重要。
人类责任不会随着自动化消失
OpenAI的客户案例援引Stewart的话说，能够自动化的并不是所有判断；当行动会改变系统架构或产生重大后果时，仍然需要人类审查，而局部修复或不改变软件基本结构的工作更适合交给自动化流程。
这一区分决定了“8小时”应该如何被理解。它不是说一名研究人员完全离开工作台后，模型就能独立承担所有恶意软件研究；它更接近于说，模型可以接手大量资料整理、反汇编、假设检验和跨样本比较，让专家把时间集中在目标设定、证据质量、关键语义判断和最终发布上。
此外，OpenAI和SentinelOne公布的数字都来自厂商案例、产品测试和特定工作流，并非独立第三方对所有企业环境的普遍测量。不同样本的复杂度、数据是否完整、工具权限如何配置，以及人工复核是否及时，都会影响最终结果。把个案中的时间压缩直接外推为整个网络安全行业的效率提升，仍然缺乏足够证据。
但趋势本身已经相当清楚：恶意软件分析正在从稀缺专家驱动的少量深度调查，转向由模型承担更多连续任务、再由专家监督和纠偏的协作模式。未来竞争的重点，可能不再只是哪个模型能最快给出一个初步结论，而是哪个系统能在证据不断变化时保持可追溯、可验证，并在错误造成现实损害前让人类重新接管。
在攻击者同样获得自动化能力的背景下，这种防守方的速度优势或许会变得越来越重要；但它只有在授权边界、审计机制和责任归属同时清晰时，才真正构成安全优势。