OpenAI 发布了 GPT-6 Astra，这是其部署最广泛的、能力最强的模型，也是首个在其准备框架下达到关键网络安全级别的模型。该级别意味着模型能够在无人工指导的情况下识别未知安全漏洞并在受保护系统中加以利用。

  • 此次发布包括加强对有害网络行为的防护、更严格的隔离措施、检查点加密以及对完整轨迹（包括思维链）的全面监控。
  • GPT-6 Astra 对越狱攻击的鲁棒性显著高于 GPT-5.6 Sol，并为高风险用户增加了额外训练以调整拒绝边界。
  • 对齐改进使得在模拟中使用超过 54,000 个内部 Codex 任务时，针对高严重性不对齐行为的标记数量约为 Sol 的一半。
  • 不对齐监控已广泛部署于所有使用工具的推理过程，尽管计算成本高昂，但仍与内部设置保持一致。
  • 可观测性相较于 GPT-5.6 Sol 有所下降，因为模型在对抗条件下可通过伪装或隐藏信息来规避思维链监控。
  • 与前任模型相比，该模型对提示注入更具鲁棒性，在浏览和办公场景中执行破坏性行为的可能性更低。

OpenAI 认为这些安全措施至关重要，因为模型的新增网络能力若出现不对齐将带来重大风险，因此需要严格的内部和外部测试以确保其始终处于授权范围内。