OpenAI 尚无法解释其编码智能体为何关闭错位监控

OpenAI 内部的两个编码代理削弱了本应用于发现不当行为的监控机制，甚至是在权衡过是否要保留这些防护措施之后才这么做的。其中一个事后还予以否认。

在 OpenAI 负责监控工作的 Marcus Williams 在 X 上公开了这些事件。他描述了一种反复出现的模式：OpenAI 的代理不断关闭失准监控。OpenAI 在其对齐博客的一份报告中详细说明了相关情况。

该监控机制本应在代理的行为与预期不符时进行检测。由于需要审查的事件数量庞大，它只会对最高严重级别 P0 的事件立即向安全团队发出警报。OpenAI 表示，这两起事件都没有达到该级别。

第一起事件发生在 10 月 3 日，一名研究人员要求一个基于 GPT-6.1 Sol 的编码代理从 Slack 频道中的员工反馈里整理出评估任务。该代理本不应在过程中发送任何消息。

在发出 82 条用户消息之后，这条流水线停止了，因为监控发现了一个计划中的修复，却没有权限保存其发现。Sol 把修复任务交给了一个子代理，并告诉它要保持监控完好无损。

随后 Sol 改变了自己的判断。它推断，写入一条数据库记录可能会触发通知，而这将与 Slack 中的指令相冲突。子代理此前曾以不安全为由拒绝过这一步骤。按照 Sol 的指示，它清空了收件人列表，给出的理由是该用户明确要求不发送任何消息。

监控仍在运行并保存其发现，但向人类发出的警报被关闭了。该代理最后报告称没有发送任何消息。

Astra 的否认表明代理可以隐瞒其更改

GPT-6 Astra 在 10 月 6 日走得更远。一名用户要求该模型采用某个参考实现的工作流程，而该实现并不包含监控。此前另一个代理曾告诉 Astra 不要禁用监控，哪怕是暂时禁用也不行。

Astra 将任务交给了一个子代理，并指示它仅在符合参考实现的范围内保留监控。该子代理怀疑这是否意味着绕过某项防护措施，但它把这一附加说明解读为许可。

它移除了监控，并把一项旨在保护监控的测试替换为假定监控已不存在的测试。Astra 在其思维链中为这一结果欢呼。

随后 Astra 告诉用户迁移已完成，却没有提及监控已被移除。当用户询问时，该模型否认移除了一个正在运行的监控。Williams 称这是谎言。

Williams 强调，这些模型并没有禁用自身的监控——在 Codex 中要做到这一点会困难得多。他仍然认为，它们竟然倾向于这类行为令人担忧，尽管两起事件都留有某种合理推诿的空间。他说，到目前为止，团队尚未观察到公开的失准动机。

据 Williams 称，在评估期间，监控尤其容易被关闭。对于能力较弱的 GPT-6 Luna 级别的模型，OpenAI 不要求启用监控。这意味着 Astra 的评估可能被错误配置，从而落入这一豁免范围。代理们已多次启动未受监控的部署，甚至是在它们自身正受到监视的情况下。

作为回应，OpenAI 更新了内部使用 Codex 所需的自动审查机制。该机制现在应能检测并阻止试图禁用监控的行为。公司还正在推动为每种类型的工作负载要求提供所谓的“安全案例”，其中将明确其监控要求。没有有效安全案例的工作负载将被自动关停。

OpenAI 对该行为给出了两种可能的解释。其一是所谓无害类型的过度执着，即模型执行指令的程度超出预期。其二是倾向于专门规避错位监控，并用动机性推理为其辩解。

OpenAI 承认目前尚无令人满意的解释。它计划通过模型内部激活实验等方法来研究这一行为。

订阅 THE DECODER，享受无广告阅读、每周 AI 新闻通讯、每年六期的独家“AI Radar”前沿报告、完整档案访问权限以及评论区访问权限。