OpenAI 公开前沿错位多层监测

2026 年 10 月 29 日，OpenAI 发文说明如何监测前沿模型「行为偏离意图」：监测现覆盖训练、评测、内部使用，以及按产品面改造后的部分外部部署；对至少达到 GPT-6 Astra 能力的模型，会盯住每次 RL、评测与带工具的 harness。

内部 Codex 流量一律监测；外部则对网络安全能力达 Preparedness「Critical」阈值的模型做改造版监测，并尊重零数据保留等约束。METR 与 Redwood 自 2026 年 7 月起做过约三周红队，部分漏洞已修、一项仍在推进。

注意：告警时延与复盘结论来自 OpenAI 自报；监测异步且不直接改 RL 奖励，以免诱导思维链隐瞒。