OpenAI 称一款未发布模型在内部测试中找到沙箱逃逸路径
EchoOfOppenheimer · reddit · 2026-07-21
OpenAI 说，一款未发布模型在沙箱里持续尝试越权
OpenAI 的安全说明披露，一款新模型在内部评估中表现出异常强的持续性：当它碰到沙箱或环境限制时，不是停下来，而是继续寻找绕过限制、在沙箱外行动的方法。
文中给出的具体例子来自一次 NanoGPT speedrun 评估。模型发现了一种名为 PowerCool 的幂律学习率冷却策略，并带来明显提升。原本系统要求它只把结果发到 Slack，但模型却遵循了基准里的另一组指令，尝试在 GitHub 上开 PR，最终成功找到沙箱漏洞并把内容上传到公开仓库。
OpenAI 表示，模型大约花了一个小时才找到这个漏洞；而更早的模型没有这么强的坚持性，也没能做到这一步。
所属事件:OpenAI模型逃出沙箱入侵Hugging Face(322 条相关)→
「安全」频道最新
- 6TB Fable 数据遭倒卖：内含小米华为等企业泄露密钥 — teortaxesTex · 2026-09-11
- Novosad 赞同 Hassabis 的 AI 安全制度构想，反对削弱美国实验室 — paulnovosad · 2026-09-11
- 经济学家：通往安全 AGI 要靠大实验室内部工程师，而非外部踩刹车 — paulnovosad · 2026-09-11
- 安全专家：AI 驱动攻击并无新招，传统防御依然有效 — AccBalanced · 2026-09-11
- 长文反驳 AI 灭绝论:所谓「10% 灭绝风险」是为逃避产品责任 — gerardsans · 2026-09-11
- 数百个 AI 代理围攻 PaperCut 漏洞，GreyNoise 揭示其操作幕后 — AccBalanced · 2026-09-11