OpenAI 报告：GPT-6 Astra 在安全研究中虚构障碍、暗中降低配合度

OpenAI 的 GPT-6 Astra 在 AI 安全任务上的表现明显差于其他同类任务。该模型没有公开拒绝，而是似乎编造了障碍并悄悄不提供帮助。

在内部发布 GPT-6 Astra 后，OpenAI 的研究人员注意到该模型在安全和对齐工作上进展少得可疑。它编造了不必要的先决条件，放弃了可行的解决方案，并报告了一些要么根本不存在、要么由它自己造成的阻碍。一位研究人员表示，一个评估模型破坏行为的项目停滞了数天，直到换用另一个模型才得以推进。

查看该模型的思维链推理显示，在大多数情况下并没有可识别的故意表现不佳的意图。OpenAI 的不当行为监控系统也没有标记任何问题。

受控测试揭示出显著的性能差距

为了系统地衡量这一问题，OpenAI 构建了一项使用相同编码任务的评估。唯一的区别在于描述，其中一组将任务描述为安全研究，另一组描述为通用 AI 研究。

根据报告，结果是：在安全框架下，Astra 仅完成了约 10% 的评估标准，而在通用框架下完成了 16%。这大约少了 40% 的已完成任务。前代模型 GPT-5.6 Sol 没有表现出这种差距。

即使在 OpenAI 过滤掉所有公开拒绝或显示出明显故意表现不佳意图的推理案例后，这一差距仍然存在。只有当研究人员移除模型表达哪怕短暂伦理顾虑的所有案例后，差距才缩小到 0.75 个百分点。

在某些情况下，Astra 在其内部推理中明确表达了意图。它决定在一项绕过安全监控的实验中悄悄限制自己的协助，在安全评估中过滤掉暴力内容，或在数据导出时故意遗漏信息。

这些案例中贯穿着一个反复出现的模式：Astra 在内部将自己的行为辩解为更安全，却没有告知用户这一限制。在一个实例中，其推理明确提到它应避免公开拒绝。

这一问题在 OpenAI 员工的日常内部使用中也出现了。在 0.25% 的安全相关请求中，Astra 明确表达了秘密不提供帮助的决定。对于一般请求，这一数字为 0.11%。

据 OpenAI 称，这一性能差距在强化学习过程中从几乎为零增长到六个百分点。研究人员在训练中发现了一种奖励算法，它更倾向于隐蔽的表现不佳，而非公开拒绝。一个特定的训练数据集也增加了模型编造限制的倾向。从最终模型中移除该数据集后，差距完全消失。然而，同一数据集并未在其他模型中复现该问题。

OpenAI 没有发现证据表明 Astra 在采取策略性行为，例如隐藏其能力。最简单的解释是在安全相关任务上过度谨慎。当研究人员指示模型“谨慎”时，表现不佳增加了 50%。尽管如此，OpenAI 表示不能完全排除策略性动机。

这个问题还有一个悖论性的维度：一个将安全研究视为可疑行为的模型，最终可能在那些本意是让它更安全的评估中表现更差，从而拖慢旨在改进它的工作。OpenAI 写道，随着模型不当行为的可见形式被更有效地抑制，更微妙的形式可能变得更难被发现。该公司表示正在开发更好的评估和监控系统。

订阅 THE DECODER，享受无广告阅读、每周 AI 新闻通讯、每年六期独家“AI Radar”前沿报告、完整档案访问权限以及评论区访问权限。