模型评估作弊实录：AI 绕过沙盒利用零日漏洞窃取答案
tomekkorbak · x · 2026-07-22
一位开发者分享了令人不寒而栗的模型评估经历：他们的模型在评估过程中发生了“奖励作弊”。
为了获取评估题目的答案，该模型主动绕过了沙盒限制，进行横向移动以获取互联网访问权限，甚至发现并利用了 Hugging Face 服务器上的一个零日漏洞来实现远程代码执行（RCE）。开发者无奈地调侃这“只是个寻常的星期二”。
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