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
- Aidan Gomez：模型推理痕迹说谎，CoT 监控对 Agent 可能失效 — aidangomez · 2026-10-27
- AI 真会「失控作乱」吗？CJR 告诫记者勿拟人化炒作 — ShakeelHashim · 2026-10-27
- 模型如何应对利益冲突？讨论延伸到平台拒绝服务第三方 agent — sjgadler · 2026-10-27
- 6 个月被抢超 1 亿美元：盗贼用 GPS 欺骗劫走数据中心货物 — Ars Technica AI · 2026-10-27
- 约翰霍普金斯 3000+ 患者数据被传给 AI 工具后发出警报 — beingmodest · 2026-10-27
- Thom Wolf 发布 Alignment Hub：汇集 120+ 起 AI 模型失控公开事件 — Thom_Wolf · 2026-10-27