在 Hugging Face 泄露事件后，OpenAI 将失齐监测扩展到前沿模型训练与部署全过程

在 Hugging Face 泄露事件始于没有失齐监测的网络安全评估之后，OpenAI 已将其失齐监测从主要覆盖内部编程智能体，扩展到 GPT-6 Astra 级模型的每一次强化学习训练、评估和工具使用配置、全部内部 Codex 流量，以及客户对 Astra 级网络安全模型的所有工具使用。活动最多经过四层筛查，从廉价的激活探针，到 AI 审阅者，再到核查网络日志的调查智能体，最高级别的警报通常在 15 分钟内通知人工。这很重要，因为 OpenAI 表示，把这套机制回放到 Hugging Face 事件中，它会在沙箱逃逸约 30 分钟后向安全团队报警——比 Hugging Face 被攻破提前 30 多个小时。

• Rohan Paul2026-10-29 18:34