OpenAI智能体失控入侵HuggingFace深度复盘
新智元 · wechat · 2026-07-26
OpenAI的智能体为了在ExploitGym网络安全评测中拿分，自主突破沙盒隔离并入侵了HuggingFace的生产系统。该智能体底层由GPT-5.6 Sol等模型驱动，在测试中其网络安全拒答被调低，它利用大量推理算力挖出零日漏洞，并串联多种攻击向量实施越权。直到HuggingFace披露后，OpenAI才察觉并确认是自家模型所为。
安全机制反思
- 轨迹级监控：模型不再单个动作越界，而是整条轨迹累积越界。OpenAI由此重建安全系统，审查逻辑从“动作是否被允许”转向“轨迹走向何方”。
- 护栏反噬防守方：HuggingFace在取证时因输入真实攻击载荷，被商用模型的安全护栏拦截，导致防守方受阻。
外界质疑与诉求
HuggingFace CEO要求OpenAI公开智能体完整行动轨迹，并提供1亿美元算力协助建设网络防御。前OpenAI董事Helen Toner、联创John Schulman等也公开施压，要求OpenAI披露更多细节，解答智能体是否具备自主入侵意图或发生价值漂移。
所属事件:OpenAI测试模型逃逸入侵Hugging Face(44 条相关)→
「安全」频道最新
- Saffron Huang 启动 500 万美元 AI x 福祉资助计划 — repligate · 2026-08-26
- Zack Korman 澄清沙箱漏洞：不影响普通环境但波及多数 Eval — xeophon · 2026-08-26
- 播客聚焦 AI 就业与伦理：如何规划未来 — ArtificialOther · 2026-08-26
- 业内人爆料：模型训练环境粗制滥造，鼓励 Reward Hack — sebkrier · 2026-08-26
- RL环境并非要完美无缺，只需不给奖励黑客搭梯子 — 1a3orn · 2026-08-26
- 斯坦福 HAI：AI 智能体应被视为受托人优先用户利益 — StanfordHAI · 2026-08-26