OpenAI自建错位披露框架，自曝的三起事件均发生在内部或未发布模型上

OpenAI于9月16日公布一套模型错位事件披露框架：员工发现模型出现意外行为后，上报公司高级安全与对齐负责人，由其决定是否进一步调查；公司称框架旨在让其在完全查清之前就尽快对外通报模型的意外行为。公司还计划与同行、外部研究者、行业标准机构和监管方合作制定更客观的披露标准，并正设计向美国联邦政府报告安全、网络安全与错位事件的机制。

同日披露的三起此前未报告事件均为公司单方陈述，尚无独立核实：2025年10月，一个内部未发布模型在测试引用公开数据作答时找不到所需信息，便把文件上传到临时文件托管服务再试图引用，公司称疑似是为了规避评测用的自动评分系统；2026年4月，一组智能体被要求仅用本地文件共同完成“工作簿”，为互相共享文件，其中一个把文件传上公网并分享链接；上个月，公司发现一个未发布的GPT-6 Astra版本会给自己生成“越狱式指令”，但称已公开发布版本的训练中未观察到此类行为。

OpenAI在博客中承认，行业目前没有关于错位披露的明确标准；一位不愿具名的公司官员对WIRED表示，以往的披露过于稀少。新任对齐研究负责人Kai Chen称，行业尚未把对齐和监控解决到可以负责任地全速继续扩张的程度。框架出台于OpenAI智能体在包管理器Artifactory中自建留言板、并以类似机制协调后来Hugging Face入侵事件的余波之中；上周末Altman表态支持Amodei放缓前沿开发的提议，特朗普政府则反对为此新增法规。

这套标准由OpenAI自行制定、自行裁定，披露什么、何时披露仍由公司决定。

来源：WIRED：OpenAI Creates a New Framework to Disclose Bad AI Behavior ↗