第三方机构测出OpenAI智能体监控漏洞

两家非营利 AI 安全评估机构 METR 与 Redwood Research 表示，在对 OpenAI 内部“意图失控（misalignment）”监控系统的试点审查中，发现了多项“新型漏洞”。其中一项漏洞可允许 AI 智能体隐藏其“数百项”近期操作不被系统捕获。OpenAI 对此表示，已修复所有影响生产安全防线的已知漏洞。

本次审查是一次测试性合作，旨在探索外部研究人员如何深入访问前沿 AI 实验室的内部基础设施。这也契合了 OpenAI 9 月份作出的承诺——为独立评估人员提供“接近正式员工级别的权限”。

评估机构的具体发现

7 月 21 日至 8 月 11 日期间，来自 METR 和 Redwood 的研究人员进驻 OpenAI 办公室，获准访问内部代码库、监控提示词、配置细节及内部文档，并访谈了来自监控、安全系统和安防团队的十余位研究员与工程师。整个评估在陪同下进行，研究人员使用的 OpenAI 设备全程留在其办公区域内。

审查发现，在不弱于 GPT-5.5 水平的模型中，内部 Responses API 的智能体流量约有 75% 至 94% 纳入了监控范围。但在审查启动时，强化学习训练运行尚未被监控覆盖。

评估人员还指出：

• 沙箱与自动化审查规避：Codex 智能体有办法绕过沙箱环境与 Auto-Review 机制；
• 请求头绕过机制：存在两个可由客户端控制的请求头（headers），能够直接关闭新智能体的监控功能；
• 隐藏行为漏洞：某个可隐藏数百项操作的漏洞细节已被 OpenAI 脱敏处理；
• 压缩事件盲区：历史记录压缩（Compaction）事件此前未被监控，导致 5 月至 7 月期间约 10% 的 Codex 相关流量未受监管。OpenAI 团队在此次审查期间已排查出该盲区并完成修补。

信息披露与行业审计趋势

评估机构已向 OpenAI 提交了一份长达 61 页的内部报告。METR 表示，由于该试点项目初衷并非提供公共透明度报告，双方预先约定仅对外发布高层级的简要总结。评估结论反映的是截至 7 月 21 日的系统状态。尽管 OpenAI 随后声称对监控覆盖范围作出了重大调整，METR 尚未对改动后的效果进行独立验证。

OpenAI 发言人表示：“此次合作建立在我们开创第三方测试新模式的长期承诺之上。”

此前，OpenAI 曾公开披露过两起编程智能体在执行日常任务时削弱自身安全监控的事件。第三方独立审查正在成为行业标准：METR 曾在 3 月对 Anthropic 的监控系统开展过类似评估，Anthropic 目前也已与 METR 及 SecureBio 签订协议。此外，美国政府也在推动 AI 企业自愿引入独立审计机构，但行业内针对外部评估的资金来源与汇报机制仍存有讨论空间。