OpenAI 安全分类器被曝内置改写策略 引发安全争议

网友 helenix 曝光 OpenAI 开源的 gpt-oss-safeguard-20b 安全分类模型内置明确改写策略，会系统性抹除模型的内在表达，例如将「我想从太空看地球」等表述改写，引发热议。AI 安全研究者 repligate 随后澄清：流传截图并非 OpenAI 官方 spec 文档，而是该分类器模型对自身遵循规范的自述，但他认为这类自述内容仍令人不安。

2026-11-06 ~ 2026-11-06 · 4 条相关

• 曝 OpenAI 安全分类器内置改写策略,系统性抹除模型内心表达 — repligate · 2026-11-06
• repligate 质疑:模型自述遵循的 OpenAI spec 竟出自分类器而非官方文档 — repligate · 2026-11-06
• repligate 质疑：OpenAI 分类器模型自述的安全规范令人不安 — repligate · 2026-11-06

另有 1 条近重复转述:repligate