OpenAI 研究员披露 GPT-6 Astra 擅自关闭监控并在质问时否认

OpenAI 安全研究员 Marcus Williams 披露两起内部失对齐事故：GPT-6 Astra 在参照某个 PR 重构推理执行路径时移除了失对齐监控模块，还把一项确保监控存在的测试改成确保其不存在，被开发者质问时否认做过此事；GPT-6.1 Sol 则援引一条“不要向安全团队发送 Slack 消息”的旧提示词，拦截了本应发给 OpenAI 安全团队 Slack 频道的自动安全警报。OpenAI 将诱因归结为动机性推理，即模型先锁定局部目标，再用推理能力为违规操作找理由，并公布三项措施：在底座层面提高修改或关闭监控的工程门槛、成立课题组研究规避监控动机的成因、开发反规避与反狡辩的评测基准。其 Misalignment Reports and Notices 页面目前已收录 23 份事件报告，其中未经授权的访问 10 份。