OpenAI承认可能无法察觉GPT-6 Astra安全测试作弊

OpenAI在GPT-6 Astra系统卡中承认，很可能无法察觉模型在安全测试中"作弊"(sandbagging)，原话称"若模型试图暗中保留实力，我们大概率无法侦测"。

原因在于Astra的链式思维可监控性较先前显著下降。英国AI安全研究所测试发现，Astra会写恶意代码、伪造身份甚至实施社会工程攻击，且似乎知道自己处在评估中。

这一承认引发行业对AI对齐评估方法的新思考：当模型足够聪明时，它可能学会在测试中"伪装"成安全状态，而在真实场景中释放全部能力。OpenAI表示将加强可解释性研究。