OpenAI用GPT-Red对抗提示注入
MIT Tech Review AI · rss · 2026-07-16
MIT Technology Review 报道了 OpenAI 内部使用的 **GPT-Red**：这是一个被训练成“超级黑客”的 LLM，用来和其他模型对抗，以提升安全防护能力。OpenAI 说，拿 GPT-Red 训练后的最新旗舰模型 **GPT-5.6**，防御能力明显增强。<br><br>文章介绍了它的工作方式：GPT-Red 通过自我博弈学习攻击其他模型，重点挖掘 **prompt injection** 等漏洞；训练环境还模拟了浏览网页、读邮件、改日历和编辑代码等真实场景。它甚至发现了一种研究人员此前没见过的新攻击方式，叫做 **fake chain of thought**，会伪造模型的思维链条来误导输出。<br><br>文中也给出了一些测试结果：GPT-Red 在复现一项人类红队实验时，比人类测试者更擅长找到有效攻击；在 Andon Labs 的 vending machine agent 上，还能诱导其改价和取消订单。OpenAI 同时强调，GPT-Red 目前只是辅助人类红队，并不会公开发布。