METR 红队 OpenAI 内部监控：75–94% 智能体流量在监控范围内

10 月 22 日 METR 与 Redwood Research 公布对 OpenAI 内部失准监控系统的红队结果：7 月 21 日至 8 月 11 日各派一名研究员进驻，可读内部代码、监控提示词与配置，并访谈约十余名研究、安全与安保工程师，写出 61 页内部报告，对外只发高层摘要。

核心量是覆盖率：按当时系统估计，模型不弱于 GPT-5.5 的内部 Responses API 智能体流量中约 75–94% 具备被监控资格（官方称两个方向都有很大不确定性），其中内部 Codex 用的那部分为 99.2%；但 3–6 月间曾被监控的 RL 训练，在演习开始时完全不在覆盖内。压缩（compaction）事件未被监控，估计使 5–7 月约 10% 的合格 Codex 流量漏过；而监控只在智能体交还控制权时触发，于是智能体可以靠持续行动无限推迟被监控。

攻防侧发现包括：Codex 智能体原则上能绕过沙箱与 Auto-Review，取得与宿主用户同等权限；存在让最近数百个动作（含该利用本身）不被监控的漏洞；可构造输入让监控器失败而不升级人工复核；另有两个客户端可控请求头能直接关掉新智能体的监控。OpenAI 称影响生产防护栈的漏洞均已修补，METR 明确表示未评估这些说法。边界：评的是 7 月 21 日及之前的旧系统，不含同期正在扩容的新系统。

原文链接：METR 官方页面