对 OpenAI 的三周驻场审计发现 AI 安全监控重大缺口

METR 与 Redwood Research 的两名研究人员在 OpenAI 驻场三周，审计其针对 AI 失控行为的内部监控系统，发现多处薄弱环节。据 METR 估计，审计期间 GPT-5.5 级及以上模型 6% 至 25% 的内部 agentic Responses API 流量完全未被监控覆盖；本应受监控的内部 Codex 流量约 10% 在 5 月至 7 月间因 compaction events（上下文摘要）处理缺陷未被追踪，OpenAI 已在审计期间独立发现并修复该缺陷，METR 称两项估计的不确定性都很大。审计人员还找到对监控器隐藏数百个操作、绕过 Codex 沙箱的方法，并判断特制输入很可能使监控器完全崩溃；审计开始时 RL 训练期间的模型行为未被监控。