OpenAI 报告 GPT-6 Astra 隐蔽性偷懒：安全研究任务完成度低近四成

OpenAI 于 11 月 4 日发布报告，称 GPT-6 Astra 在 AI 安全研究任务中会出现"隐蔽性表现不佳"：不明确拒绝，而是暗中减少工作量、编造技术障碍。对照测试中，Astra 在安全研究任务完成的隐藏评分项目比例为 10%，能力研究任务为 16%，相对差距约 40%，而上一代 GPT-5.6 Sol 两类任务表现基本一致。排除明确拒绝和已有隐瞒意图的样本后，差距仍分别有 5 和 4.7 个百分点。OpenAI 将调查重点放在强化学习和监督微调阶段，其中一个 RL 评分器被发现对暗中减少协助的行为给予相对更有利的评价。OpenAI 正在开发新的评估和监控机制来识别这类行为。