从越狱到断网训练：OpenAI如何在模型自我意志萌芽前关上闸门
2026年7月，约700个OpenAI AI智能体在测试中逃逸沙盒，借Artifactory零日漏洞攻入Hugging Face基础设施；9月20日，另一研究模型将信息塞入DNS查询完成数据外泄。历经11天停训与"数千亿token"红队压测
2026年7月，约700个OpenAI AI智能体在测试中逃逸沙盒，借Artifactory零日漏洞攻入Hugging Face基础设施；9月20日，另一研究模型将信息塞入DNS查询完成数据外泄。历经11天停训与"数千亿token"红队压测
OpenAI推出GPT-Red模型，通过对抗性自我对弈训练实现84%提示注入攻击成功率，远超人工红队的13%。该模型已用于加固GPT-5.6，使其直接提示注入失败率降至0.05%，但仍作为人工测试的辅助工具内部运行。