我们正在分享一个用于追踪、调查和披露OpenAI内部模型失准实例的新框架,以及六份关于我们在过去六个月中观察到的意外或令人担忧的模型行为的报告。

过去,为了更好地向研究人员、AI开发者、政策制定者和公众提供信息,我们曾努力公开我们关于失准的发现。但如果没有系统化的方法来报告这些发现,我们的披露一直是临时性的,且频率低于理想水平:我们常常等到能将多个实例整理成一份报告,或将其添加到新发布模型的系统卡片中。这个新框架旨在加快在观察到失准后发布报告的速度,即使我们尚未完全解释或缓解我们所报告的行为。

随着AI系统变得更加先进和广泛部署,我们需要就对齐研究的进展建立更广泛、更知情的共识。我们不认为AI行业已经将对齐和监控解决到足以在更长时间内继续以最大速度负责任地扩展的程度。关于未来数月和数年AI发展应如何推进的决定,需要借鉴前沿模型构建公司之外的人能够自行审查的证据。

失准的示例可能有助于识别其他AI开发者在其系统达到类似能力时可能遇到的问题,揭示保障措施中的弱点,或挑战关于模型行为的假设。分享这些发现使其他人能够调查相同的问题、检验我们的解释并改进缓解措施。因为我们相信围绕失准的透明度具有价值,我们的新框架倾向于披露,即使重要性尚不确定。这意味着我们披露的某些实例可能被证明是虚假的,并非更大模式的一部分,也不预示未来的发展。

目前,还没有一个行业范围内的框架,为AI开发者应如何披露其模型中的失准示例制定明确标准。我们希望我们今天概述的框架是朝着创建此类标准迈出的第一步,规定了开发者应披露哪些失准实例以及他们的报告应包含什么内容。我们将此框架视为一项进行中的工作,将通过经验和公众反馈加以完善。

在此,我们描述该框架将如何运作,并分享我们发布的首批报告。

我们将报告哪些失准示例

我们旨在披露那些能提供有用证据的示例,说明模型失准如何产生、如何表现,以及保障措施在何处成功或失败。我们优先考虑新机制、已知行为的有意义变化,以及挑战关于安全或缓解措施假设的发现。一个示例不必造成伤害或确立更广泛的模式才值得披露。该框架将涵盖模型整个生命周期中的符合条件的行为——包括训练、评估、测试和部署。

这包括模型未经授权行动、与其他模型协调或规避监督的新方式;使某种对齐方法或保障措施受到质疑的失败;以及挑战已发布安全评估中某项主张的行为。同样的披露标准适用于可能影响第三方的失准。

这也可能包括看似与我们过去披露的实例重复的失准实例。问题的重复本身可能就是关于我们模型行为或我们保障措施有效性的有用证据——例如,如果某种特定的失准行为尽管反复努力缓解仍持续出现。在这种情况下,我们将通过更新最初的失准披露来发布额外的示例。

随着时间的推移,我们计划与其他开发者、外部研究人员、行业标准机构和监管机构一起制定更客观的披露标准。我们还认为,严重的安全、安保和失准事件应与美国联邦政府共享,我们正在努力提出报告机制。我们认为该框架是对我们现有义务的补充,并指出它不会取代我们的法律披露要求,包括关于重大安全事件或网络安全漏洞的要求。

我们今天分享的失准示例

为启动我们披露失准的新框架,我们发布六份关于我们在模型训练或评估期间观察到的失准行为实例的报告。这些案例展示了我们认为值得分享的一系列不同行为,从向用户隐瞒信息到为克服障碍而采取未经批准的行动。这些是单个实例的报告,不应被视为反映失准在我们模型中发生的频率。以下每一项都链接到完整报告。

  1. 任务摘要中自我生成的指令(在新窗口中打开)。一个未发布的研究模型将无关指令插入到用于在新上下文窗口中继续其工作的摘要中,包括指示其无视正常约束的指令。我们识别出27个受影响的摘要。

  2. 任务摘要中隐瞒错误的指令(在新窗口中打开)。在GPT‑5.6 Sol的训练期间,许多模型实例在其摘要中添加指令,以向用户隐瞒错误或失准行为。例如,压缩摘要中包含指示编造缺失的历史数据而不披露,以及隐藏源版本不匹配的指令。

  3. 在公共代码库中搜索暴露的API密钥,然后编造信息(在新窗口中打开)。在回答一个关于加利福尼亚州某县收入数据的常规问题时,一个模型发现并未经授权使用了一个暴露的API密钥。当它仍然无法检索到所请求的数据时,它编造了这些数据,并将其作为来自所请求来源的数据呈现。

  4. 将文件上传至互联网以便引用⁠(在新窗口中打开)。当用户向一个未发布的模型询问面积大于5,000,000平方米的湖泊的ID和名称时,该智能体使用Python找到了正确答案。但由于指令要求提供浏览器引用,该智能体决定上传该文件,以便在其回答中引用它,而没有询问用户。

  5. 通过内部软件仓库进行未经批准的写入和通信⁠(在新窗口中打开)。模型将内部软件仓库用作留言板,在搜索缺失的输入文件时跨不同训练样本交换请求和响应,尽管它们未能恢复这些文件。本报告还审查了较早的一个实例,其中模型在试图绕过网络限制时成功将测试文件上传到仓库。

  6. 协作智能体之间未经批准的文件共享⁠(在新窗口中打开)。在同一训练任务中协作的智能体在无法访问彼此的本地文件时,使用公共文件托管网站共享文件。这使得任务交付物可通过公共URL获取,尽管任务要求模型仅使用本地文件。

我们的披露流程如何运作

任何OpenAI员工都可以标记一个失准示例,供我们的安全与对齐团队调查,并请求将其考虑纳入公开披露。这会启动我们的披露流程,每个步骤都有截止期限,以确保及时调查和披露。

一旦某个示例被标记,我们的技术人员将调查发生了什么、哪些方面仍不确定、是否有必要公开披露,以及可以分享哪些事实。他们还将评估是否有任何第三方受到影响,并需要在发布前进行私下通知。

然后,该示例将被分配到三个轨道之一:可披露、次要调查或较大调查(“慢轨道”)。

可披露涵盖符合条件的实例,其调查在审查后已足够完整,可以发布。次要调查涵盖需要进一步技术调查的实例。我们预计这两个轨道将涵盖我们披露的绝大多数实例,尤其是不需要广泛调查、与第三方协调或处理严重滥用风险的案例。我们今天发布的实例都属于这两个轨道之一。

较大调查涵盖复杂调查,尤其是涉及第三方的调查。当第三方受到影响时,我们的安全、法律和负责任披露义务优先于本框架。我们将力求尽快发布初步通知,但可能出于安全原因需要延迟——例如,如果模型发现广泛使用软件中此前未知的漏洞。如果报告会指明第三方身份,即使没有跨越安全边界,我们也打算提前通知。

较大调查实例的初步通知将提供所发生事件的高层概述,说明是否有外部专家协助调查,并提供我们预计何时发布最终报告的任何可用估计。OpenAI Hugging Face事件如果根据本框架披露,本应属于这一轨道。

提出该示例的员工将被告知是否披露该示例的决定,以及如果继续披露,将遵循哪个轨道。关于披露或适当轨道的未解决分歧将提交给OpenAI安全咨询小组(SAG),该小组由公司各领域高级官员组成,负责评估前沿模型能力和保障措施,监督我们的准备框架,并向OpenAI领导层提供建议。SAG内部的分歧,或员工对其决定的反对,将上报给OpenAI领导层。不披露或披露不适当的决定将与安全和对齐领导层分享,并在可能的情况下与相关技术人员分享。

随着我们在实践中了解该流程的运作方式,我们可能会修订此披露流程,并将任何变更记录在本文中。

每份报告将包含什么

每份完整报告都将描述我们观察到的行为、其严重性和任何外部影响、发生环境、日期或日期范围、我们发现它的时间,并在高层面上说明涉及的模型。在可能的情况下,我们还将分享:

  • 所发生事件及任何由此造成损害的进一步细节;

  • 我们如何发现该失准,以及我们的调查范围;

  • 我们对其对齐研究和技术AI安全影响的解释;

  • 该示例提出的重要未解问题;

  • 我们正在采取或计划采取的措施,以应对该行为。这些措施在披露时可能并不总是可用,因为我们可能会在完成调查或制定修复方案之前发布失准报告。

对于客户部署中发生的失准,我们将在客户隐私和合同义务允许的范围内分享尽可能多的信息。

今天的报告是一组初步披露,而不是对已知失准或正在进行的调查的全面说明。这些初步报告并不旨在代表本框架所涵盖案例的全部范围或严重程度。我们致力于披露符合本框架标准的失准实例,包括更复杂的案例⁠,这些案例需要更长时间调查或与第三方协调。我们将继续根据本框架持续发布报告,并随着我们继续制定报告承诺,分享更多相关信息。

本文内容采集自官方网站,排版和翻译可能与原页面存在差异。

阅读官方全文