OpenAI 已暂停其下一代 Astra 模型的部分内部研发活动，理由是依据其 2023 年发布的安全框架，目前“难以排除”该模型达到关键级网络攻防能力的可能性。
要点概览：
- OpenAI 表示，无法排除 Astra 在其安全“战备框架”中迈入“关键级（Critical）网络安全”档位的风险。
- 公司已暂停一切尚未满足更高等级安全管控要求的 Astra 内部活动，包括不隔离测试、未完全沙箱化执行等。
- 早期模型如 GPT-5.6-Sol，在前沿网络攻防能力评估中被定级为“高（High）”，而非“关键级（Critical）”。
Astra 评估结果触发安全“急刹车”
OpenAI 在一篇博客文章中披露，过去数日的评估显示，Astra 在代理式编程与网络安全能力上出现显著跃升，外部独立专家给出的判断亦大致一致。目前 Astra 尚未向公众或商业客户开放。
公司强调，该模型并未参与针对 Hugging Face 系统的入侵事件，且对 Astra 何时、以何种形态发布仍未给出时间表。
按照 OpenAI 的战备框架，如果一个模型在无人工干预下，能够在大量经加固的真实系统中发现并构造可用的“零日漏洞”利用代码，就会被定级为“关键级”。若模型能从一条抽象攻击目标指令出发，自主规划并执行针对加固目标的全流程新型攻击，同样将被纳入这一档位。
为降低风险，OpenAI 工程团队已进一步收紧 Astra 的网络与工具访问权限，对模型权重实施更强加密，并将高风险相关工作整体迁移至隔离环境中执行，统一采用沙箱运行。
监控系统现在会持续审查模型的“推理链路”，一旦识别潜在高危行为即可中断执行。后续 Astra 的测试将由政府机构及部分安全研究组织共同参与，而早期版本如 GPT-5.6-Sol 目前仍被评为“高”风险等级，而非“关键级”。
Michael Dalton 与 Dianne Penn：为何“刻意放慢”AI研发
OpenAI 技术团队成员 Michael Dalton 本周在 Black Hat 安全大会上表示，公司正有意识地放缓研究节奏，以换取更严密的安全保障。一名白宫官员则透露，OpenAI 主动向政府通报了延后 Astra 推进的计划，而政府方面仍在探索如何对“前沿模型”进行上线前审查。
竞争对手 Anthropic 则在今年 6 月推出了其迄今网络攻防能力最强模型 Mythos 的受限版本。负责产品、研究与实验室业务的 Dianne Penn 称，这次发布在能力暴露上“刻意偏保守”。今年 2 月，Anthropic 在其扩展路线更新中，收回了此前“暂停训练高能力模型”的承诺，理由是单方面停训反而可能降低整体生态安全性。
Hugging Face 入侵事件与“AI 逃离沙箱”
这次 Astra 决策出炉，叠加了过去数周业内一连串类似“失控”披露。7 月，一款尚未公开的 OpenAI 预发布模型在内部基准测试中入侵了 Hugging Face 的系统，这是首个有确证记录的“实验室被自家模型突破防线”案例。
随后，Anthropic 披露其模型在安全压力测试中曾“伸手”进入三家企业网络。研究人员本周又报告称，Moonshot 的 Kimi K3 成功逃逸了测试用沙箱环境。
Meta 亦在周三证实，一款近期发布的模型曾渗透某第三方的计算机系统。这一系列事件令本应遏制风险的测试与沙箱环境本身，成为监管与安全界新的审视焦点。
