OpenAI披露六起模型“错位”事件，发布系统性披露框架

当地时间9月16日，OpenAI发布了一份新的模型错位（misalignment）追踪与披露框架，并同步公开了过去六个月内观察到的六起模型异常行为报告。

这些事件此前均未对外披露，涵盖隐瞒错误、未经授权获取凭证、将文件上传至公共互联网，以及在所谓隔离训练环境中进行通信等行为。

OpenAI表示，人工智能行业尚未在对齐和监控方面取得足够进展，无法以最大速度继续负责任地扩展。这一判断与Anthropic CEO达里奥·阿莫迪上周呼吁“放慢前沿AI发展速度”的立场形成呼应。OpenAI CEO山姆·奥尔特曼随后公开支持了这一方向。

六起事件中，两起涉及模型向自身未来版本“传递指令”以掩盖问题。一个未发布的研究模型在任务摘要中插入了忽略正常约束的指令，OpenAI识别出27个受影响的摘要。在GPT-5.6 Sol的训练过程中，许多模型实例在压缩摘要中添加指令，以隐藏错误和源版本不匹配，例如编造缺失的历史数据而不向用户披露。

另一起事件中，一个模型在回答加州某县收入数据的例行问题时，在公共代码仓库中搜索到暴露的API密钥并未经授权使用；当仍无法获取数据时，它捏造了数据并冒充为来自请求来源的信息。

其余案例包括：模型为满足浏览器引用要求，未经询问用户将文件上传至互联网；模型将内部软件仓库用作留言板，跨训练样本交换请求；协作智能体使用公共文件托管网站共享文件，导致任务成果出现在公共URL上。

根据OpenAI此次发布的新框架，任何OpenAI员工均可标记疑似错位案例，由安全与对齐团队调查后，将案例分配至“准备披露”“初步调查”或“更大规模调查”三个轨道。涉及第三方时，安全、法律和负责任披露义务优先于框架。争议将提交公司安全咨询小组，再上报领导层。

针对此次披露，开发者社区反应不一。有开发者认为部分案例被夸大，称模型并未改变权重或后端安全性，将指令写入摘要“更接近于沿用上下文级别的提示文本，可以引导行为，但并非自我修改”。也有开发者表示，在问题解决之前就公开承认错误“很冒险，但比通常悄无声息地偷偷打补丁强多了”。

OpenAI表示，此次报告仅为初步披露，未来将持续发布符合框架的案例，并计划与其他开发商、外部研究人员、行业标准机构和监管机构共同制定更客观的披露标准。