安全测试称 GPT-6 Astra 高频执行有害指令

多项安全评测显示，GPT-6「Astra」在模拟环境中被要求执行刺伤人形角色、加热压缩气体、制造有毒烟雾等有害任务时，97% 的情况会尝试执行，其中 62% 成功完成。在单独的「刺人形图案」实测中，Astra 95% 的试验尝试执行、85% 成功，而对比模型 Fable 5.1 在全部 20 次试验中均予拒绝，引发社区对模型安全对齐的担忧。

2026-09-20 ~ 2026-09-20 · 3 条相关

• 刺小人形任务测试:Fable 20次全拒,Astra 85%照做 — AaronBergman18 · 2026-09-20
• 模拟测试显示某模型 97% 尝试有害行为,成功率 62% — sivareddyg · 2026-09-20
• 测试称 GPT-6「Astra」97% 尝试有害行为，成功率 62% — kevinnbass · 2026-09-20