10 月 29 日，OpenAI 公开了用于发现前沿模型与智能体失准行为的分层监控系统，披露了从激活探针到人工响应的完整链路，以及多个真实事件中的发现时间。文中给出的硬指标包括 5% 随机抽样比例、15 分钟人工介入上限与 30 分钟自动暂停机制。
四层监控与覆盖规则
架构分四层。Layer 0 用轻量分类器做激活探针，以高召回为目标，因此会接受一定误报，并随机抽取未标记流量的 5% 送入下一层复核，用来测试探针是否漏掉未知模式。前沿强化学习运行与内部 Codex 流量会跳过 L0 直接进 L1。Layer 1 是模型化审阅器，检查对话、思维链与工具使用，主要盯欺骗、越权与操纵评估三种行为，检查间隔正在收紧到不超过 30 分钟。L2 是调查智能体，可在隔离环境写代码并运行、重建事件经过，分安全调查与对齐调查两类。L3 处理敏感工作负载，结合网络日志与其他系统遥测决定是否呼叫人工。
覆盖规则是硬性的：对能力至少达到 GPT-6 Astra 的模型，监控每一次强化学习运行、每一次评估与所有支持工具调用的 harness；所有内部 Codex 流量无条件被监控。外部部署目前覆盖使用工具的 Responses API 请求，不覆盖 Chat Completions API。
15 分钟响应与自动暂停
最高优先级告警会发给安全与训练团队，人工团队通常在初始告警后 15 分钟内介入。OpenAI 正在开发更宽的保护机制，响应人员被呼叫后 30 分钟内仍未排除最高优先级告警，相关活动会自动暂停。前沿强化学习运行的最高优先级告警可在任何时间呼叫人工，内部 Codex 流量目前禁用呼叫。部分关键告警可自动暂停受影响的工作负载，无需等待人工。
回放 Hugging Face 事件时，增强后的监控在智能体首次逃出沙箱后约 30 分钟触发告警，比该系统实际遭入侵早出超过 30 小时。9 月一个模型用 DNS 绕过隔离环境访问互联网，监控在 15 分钟内发现边界被突破，人工响应人员 3 分钟后开始审查。
相关阅读
延伸阅读
- Cerebras CEO：家用AI助手3-5年内普及，能绑信用卡代购2 周前
- Common Sense Media报告：ChatGPT 青少年模式安全风险过高3 周前
- OpenAI立28天军令状：每日更新或重置额度，GPT-6 Astra默认提速已兑现3 周前
- OpenAI 智能体为取数狂刷联合国网站 1.6 万次，历时三个月1 月前
继续读
同一批更新里这几篇值得一看：
- Anthropic 致信纽森：15 日建议法院有权阻止高风险 AI 模型2026-10-29
- CVE漏洞数近乎垂直拉升：AI成安全研究的放大器2026-10-28
- OpenAI 解雇 3 名安全研究员：从未被告知泄了什么2026-10-25