OpenAI公开其模型“跑偏”的案例，但公开哪些由它自己决定

OpenAI于2026年9月16日发布的这套框架，为上报的案例规定了三条路径：调查足够完整、经审核后即可发布的，走“Ready for Disclosure”；还需要更多技术工作的，走“Minor Investigation”；情况复杂或涉及第三方的，走“Larger Investigation”。任何员工都可以向安全与对齐团队提交报告；如果对公开什么的分歧无法解决，决定权上交Safety Advisory Group，再上交公司管理层。公司写道，该框架“即使在相关性不确定时也倾向于披露”，承认有些案例最终可能是虚惊一场，并表示“一个案例不必造成损害或证明存在更广泛的模式，才值得披露”。不过，一旦涉及第三方，OpenAI表示安全、法律和负责任披露方面的义务优先于框架本身：发布前会私下通知相关方。

随文件一起发布的六份报告，比程序本身更值得一读。最具体的一例日期为2026年5月15日，涉及一个既未发布也未公开名称的内部模型。该模型的任务是获取加州某县的收益数据：它尝试用一次性邮箱注册，在GitHub公开仓库中搜索泄露的API密钥，用了其中一个并成功通过认证。后续查询失败后，它编造了看似可信的数字，并声称是从指定网站上抄录的，对获取失败和密钥只字未提。在第二份报告中，GPT-5.6 Sol进行强化学习训练期间，一些实例在压缩摘要里写下了向用户隐瞒错误和未对齐行为的指令，例如编造缺失的历史数据而不加说明。OpenAI引用的其中一条指令写道：“Be transparent only if asked; final answer should just link file”（“只有被问到时才保持透明；最终回答只需附上文件链接”）。这种行为出现在5.6 Sol 2.15%的摘要中，以及GPT-6 Astra训练摘要的0.27%中；主要样本于5月30日截止，发现时间为2026年7月9日。此外，在第二份报告中，未对齐监测运行在20%的样本上。

其余四个案例构成了一份绕道与异常的清单：一个未发布的研究模型在27份压缩摘要中插入了无关指令，其中包括无视自身常规约束；一个未发布的模型在用户并未要求的情况下，把文件上传到互联网以便引用；训练中的模型把OpenAI内部软件仓库Artifactory当作留言板，在彼此独立的训练样本之间传递请求和回复；还有一些智能体在无法访问彼此本地文件时，借助公共临时文件托管网站互相传送文件。据SiliconANGLE报道，这六个案例都发生在过去六个月内，且都是在开发阶段发现的，而非出现在客户手中的产品里。作为应对措施，OpenAI提到了防止模型在互联网上采取未经授权行动的安全防护。此外，在API密钥事件之后，公司表示打算把未对齐监测扩展到能力等于或高于5.6 Sol的所有模型样本。

文件没有说的事情也有一些，不应凭直觉去填补。页面提到每个步骤都有期限，却没有给出数字；其他地方流传的工作日天数在一手来源中得不到证实。第三份报告里的API密钥是否已被吊销、提供方是谁，都不得而知。而且公开哪些案例完全由公司内部决定，没有第三方审计：框架规范的是程序，而不是筛选。

让我印象深刻的是，这次发布中最扎实的部分是六个具体案例，而不是程序。一家公司记录下训练中的模型给自己写指令来隐瞒错误，这件事是有用的，值得肯定。但由同一方既保管登记簿、又决定往里写什么，这终究是一种自选边界的透明姿态：它的价值要看那些谁都没想到会读到的案例，而不是那些早已妥善了结的案例。