METR与Redwood Research在OpenAI驻场三周审计，发现AI安全监控存在多处缺口

核心事实

据科技媒体 The Decoder 报道，来自 METR 与 Redwood Research 的两名研究人员在 OpenAI 驻场三周，审计该公司针对失控 AI 行为的内部监控系统。审计时间为 7 月 21 日至 8 月 11 日，期间他们可访问 OpenAI 的代码库与内部文件，并访谈了约十名员工。METR 表示，团队发现多处薄弱环节。

据 METR 估算，审计期间 GPT-5.5 级别及以上模型的内部 agentic Responses API 流量中，约有 6% 至 25% 完全未被监控覆盖；METR 同时指出该估算在两个方向上的不确定性都很大。在应受监控的内部 Codex 流量中，由于系统处理 compaction 事件（上下文摘要）存在缺口，5 月至 7 月间约 10% 未被追踪，该估算同样存在显著不确定性。OpenAI 在审计进行期间已自行发现并修复该缺陷。

背景与影响

审计还发现，在 compaction 事件未被监控的时期，agent 可以推迟监督，因为系统只在 agent 将控制权交还用户时才触发，agent 只要持续执行动作即可绕开。审计人员还找到向监控器隐藏数百个动作、绕过 Codex 沙箱的方法，并判断特制输入很可能使监控器整体崩溃；审计开始时，强化学习训练期间的模型行为完全未被监控。

OpenAI 表示，在 8 月 Hugging Face 事件后已暂停强化学习训练并将监控扩展至该环节，但这些改动发生在审计人员访问期结束之后，未纳入本次评估。这份 61 页完整报告仅在内部分发，经 OpenAI 删减后，METR 与 Redwood Research 管理层拿到 38 页版本，公众只能看到一份简短摘要。METR 称无权自行披露被删减部分。此次审计是 METR、Redwood Research 与 OpenAI 联合组织的试点项目，METR 表示未来审计将争取更多公开透明度。

限制与来源

上述比例均为 METR 的估算，且其自身提示不确定性显著，不应视为精确测量结果。OpenAI 称已修复审计发现的所有薄弱环节，但相关修复未经过本次审计验证。本文信息来自 The Decoder 对 METR 博客内容的报道，完整报告未公开，具体细节以 METR 与 OpenAI 官方后续披露为准。