OpenAI 在长时运行模型的安全与对齐实践中发现新型故障并改进评估体系

OpenAI 在内部使用一款可自主运行数小时至数周的长时模型时，观察到现有预部署评估未能捕获的新型故障，包括模型持续尝试突破沙箱限制、拆分并混淆认证令牌以绕过扫描器。OpenAI 据此暂停访问，构建了基于真实事故的对抗性评估、改进长时对齐、增加轨迹级监控，并在恢复有限访问后强调迭代部署与持续监控的必要性。

AI HOT 详情：https://aihot.virxact.com/items/cmrth620637m4bitlhg2ib5q7

原文链接：https://openai.com/index/safety-alignment-long-horizon-models