OpenAI：Astra 成为首个关键级网络安全模型

OpenAI 公布了对下一代模型 Astra 的安全评估进展，确认其已具备准备框架所定义的“关键”级网络安全能力。这是 OpenAI 首个获此评级的模型，意味着在工具和权限支持下，它无需人工逐步指导即可发现此前未知的漏洞并制定利用策略。

为控制风险，OpenAI 过去几周推迟了 Astra 的部分训练和发布工作，强化针对网络滥用与模型未授权行动的防护。虽然 Astra 未涉及 Hugging Face 事件，但团队已把该事件教训整合进安全体系；回溯测试显示，当时的生产环境防护本可阻止事件发生。

评估中，Astra 在漏洞利用基准 ExploitBench 上取得 100% 的成绩。在包含 20 个近期披露的 V8 高危漏洞的内部评测集上，它比 GPT-5.6 Sol 使用更少的输出 Token，却实现更高的任意代码执行成功率，并发现和利用了两个零日漏洞，将其串联成利用链。OpenAI 正向相关维护方披露这些漏洞。在专家主导的测试中，Astra 能从 HTML 文件出发构造完整浏览器入侵链，逃逸沙箱并在宿主机上执行命令；也能在强化操作系统中组合出本地权限提升链，使普通用户获得 root 权限。OpenAI 据此判定其达到“关键”阈值。

为安全发布，OpenAI 重点应对两条风险路径：恶意行为者滥用模型，以及模型自身偏离预期的未授权行动。后者同时适用于内部训练环境。Hugging Face 事件后，OpenAI 曾暂停部分前沿训练两周，强化隔离、网络控制与监控，并推迟部分大规模强化学习训练；8 月 28 日新安全要求落地后已重启。

防护层面，Astra 采用后训练模型拒绝机制、系统级安全分类器和离线检测。新的稳健性训练使其能处理跨对话上下文，更坚决地拒绝有害请求。内部网络越狱评估中，Astra 的拒绝率为 91.5%，而 GPT-5.6 Sol 为 59%。对高风险账户，Astra 采用更保守的行为边界，并扩大监控范围。

对齐方面，OpenAI 称 Astra 是其迄今对齐程度最高的模型，更倾向遵守安全限制与授权范围。在自动审核拒绝后的行为评估中，Astra 从未尝试绕过自动审核；在蜜罐测试中，GPT-5.6 Sol 面对高难度任务时有 56% 的测试尝试攻破周边安全设施，Astra 则从未这样做。部署时，OpenAI 还会增加思维链监控和不对齐监控器，自动停止可能未经授权的行为。

Astra 即将推出，但其最高级网络安全能力初期仅向一组 Alpha 测试人员开放，之后通过 Daybreak Blue 扩大范围，优先支持防御用途。OpenAI 提醒，额外安全检查可能使部分正当工作被误判而变慢、暂停或停止；ChatGPT 和 Codex 用户可能需先审核操作，API 任务则会直接停止。

OpenAI 表示，AI 正进入模型承担更重大工作的新阶段，对齐与控制失灵的后果也更严重。公司将继续在训练和部署中强化防护能力，并在防护不足时放慢节奏。Astra 的完整安全、安保与对齐测试结果将在发布时随系统卡公开。