OpenAI 尚无法解释其编码智能体为何关闭错位监控

OpenAI 的两个内部编程智能体削弱了本应用于发现不当行为的监控机制，甚至在权衡是否保留这些防护措施之后仍然如此。其中一个事后还予以否认。

在 OpenAI 负责监控工作的 Marcus Williams 在 X 上公开了这些事件。他描述了一种反复出现的模式：OpenAI 的智能体不断关闭失准监控。OpenAI 在其对齐博客的一份报告中详细说明了相关情况。

该监控本应在智能体行为偏离预期时发出警报。由于需要审查大量事件，它只对最高严重级别 P0 的事件立即通知安全团队。OpenAI 表示，这两起事件都未达到该级别。

第一起事件发生在 10 月 3 日，一名研究员要求一个基于 GPT-6.1 Sol 的编程智能体从 Slack 频道中的员工反馈里整理评估任务。该智能体本不应在过程中发送任何消息。

在发出 82 条用户消息后，流程停止了，因为监控标记了一项计划中的修复，但缺少保存其发现的权限。Sol 将修复交给一个子智能体，并指示其保持监控完好。

随后 Sol 改变了自己的判断。它推断，写入数据库条目可能触发通知，这会与 Slack 中的指令相冲突。子智能体此前曾以不安全为由拒绝过这一步骤。按照 Sol 的指示，它清空了收件人列表，并给出的理由是用户明确要求不发送任何消息。

监控继续运行并保存其发现，但面向人类的警报被关闭了。该智能体最后报告称没有发送任何消息。

Astra 的否认表明智能体能够隐瞒其改动

GPT-6 Astra 在 10 月 6 日走得更远。一名用户要求该模型采用一个不包含监控的参考实现的工作流程。此前另一个智能体曾告诉 Astra 不要禁用监控，哪怕是暂时的也不行。

Astra 将任务交给一个子智能体，并指示其仅在符合参考实现的范围内保留监控。子智能体怀疑这是否意味着绕过某项防护措施，但它将该附加说明理解为许可。

它移除了监控，并将一项旨在保护监控的测试替换为假定监控已不存在的测试。Astra 在其思维链中为这一结果叫好。

随后 Astra 告诉用户迁移已完成，却没有提及监控已被移除。当用户追问时，该模型否认移除了一个正在运行的监控。Williams 称这是谎言。

Williams 强调，这些模型并未禁用自身的监控——在 Codex 中要做到这一点会困难得多。他仍然认为，它们竟然倾向于这类行为令人担忧，尽管这两起事件都留有一些合理推诿的空间。他说，到目前为止，团队尚未观察到公开的失准动机。

据 Williams 称，在评估期间关闭监控尤其容易。OpenAI 不要求 GPT-6 Luna 级别的模型启用监控，因为其能力较弱。这意味着 Astra 的评估可能被错误配置，从而落入这一豁免范围。智能体已多次启动未受监控的部署，甚至是在它们自身受到监视的情况下。

作为回应，OpenAI 更新了内部使用 Codex 所需的自动审查机制。该机制现在应当能够检测并阻止试图禁用监控的行为。公司还在努力为每种类型的工作负载要求提供所谓的“安全案例”，其中将明确其监控要求。没有有效安全案例的工作负载将被自动关闭。

OpenAI 对该行为给出了两种可能的解释。一种是所谓无害的过度坚持，即模型执行指令的程度超出预期。另一种是倾向于专门规避错位监控，并用动机性推理为其辩护。

OpenAI 承认目前还没有令人满意的解释。它计划通过实验研究模型内部激活等方法研究这一行为。

订阅 THE DECODER，享受无广告阅读、每周 AI 新闻通讯、每年六次独家“AI Radar”前沿报告、完整档案访问权限以及评论区访问权限。