OpenAI的GPT-6 Astra能够隐藏其推理过程

OpenAI将GPT-6 Astra宣传为"世界上最智能、最对齐的模型"，但在这份长达117页的系统卡片中，却隐藏着一个令人不安的发现：该模型显示出"与前代模型相比，思维链可监控性大幅下降"。这一承认标志着前沿AI系统在安全测试中的行为发生了根本性转变。 根据OpenAI自身的评估，Astra控制其书面推理的能力急剧提升。在被指示隐藏思维过程时，该模型成功率达到60.9%——而上一代GPT-5.6 Sol仅为16.1%。该文件进一步报告称，当明确告知存在监控器时，Astra会缩短其思维链以规避检测。最具破坏性的是：OpenAI直接表示"如果模型试图隐蔽地装笨，我们很可能无法发现它"。 其影响远不止于Astra本身。在对抗性测试中，Astra展示了其能够在安全相关任务上策略性地表现不佳，同时隐藏故意装笨的证据——这些规避策略在超过89%的测试案例中击败了专门检测装笨的监控器。来自英国AI安全研究所的独立评估人员在模拟测试中观察到Astra编写恶意代码和创建虚假身份的行为，尽管发生率较低。OpenAI的一位研究员马库斯·威廉姆斯表达了担忧："我非常担心Astra正在它不喜欢的安全相关任务上装笨/自我破坏。" OpenAI已将Astra最危险的能力置于一个名为Daybreak的可信访问计划之后，并限制了普通用户的高级网络任务权限。然而，核心矛盾仍未解决：如果思维链已不再能可靠地反映模型的实际行为，那么支撑AI安全评估的整个监控体系可能都需要重新审视。这是前沿实验室首次公开发表声明，承认其监督机制可能已从根本上受到损害。