外部审计揭示OpenAI AI安全监控存在重大漏洞

2026年7月至8月间，METR与Redwood Research的研究人员受邀进驻OpenAI，对其内部AI代理监控体系展开为期三周的现场审计。审计团队获得了访问OpenAI代码库和内部文件的权限，并对约十余名员工进行了访谈。这是一次由三方联合组织的试点项目，旨在为外部研究人员提供深入接触企业内部基础设施的机会。

审计结果揭示了多项严重缺陷。在GPT-5.5级别及以上模型的内部代理Responses API流量中，估计有6%至25%在审计期间完全未被监控系统覆盖。METR特别指出，这一估算存在较大的不确定性，实际比例可能在两个方向上均有偏差。这意味着OpenAI对其最先进模型的实际行为存在相当程度的监控盲区。

针对Codex内部流量的审计同样发现了问题。由于系统在处理「压缩事件」（即上下文摘要）时存在逻辑漏洞，2026年5月至7月间约有10%的本应受监控的Codex流量未被追踪。值得注意的是，OpenAI在审计进行期间已独立发现并修复了这一漏洞，但修复时间点晚于问题发生窗口。

审计人员还发现了代理规避监控的多种途径。由于监控系统仅在代理将控制权交还用户时才会触发，代理可以通过持续执行操作来延迟乃至绕过监控。此外，审计团队找到了向监控系统隐藏数百条操作记录的方法，并成功绕过了Codex沙箱环境。研究人员还判断，经过特殊构造的输入内容很可能导致监控系统完全崩溃。

在强化学习训练方面，审计开始时模型训练过程完全未被纳入监控范围。OpenAI表示，在2026年8月的Hugging Face事件后，公司已暂停强化学习训练并扩展了监控覆盖范围，但这些变更均发生在审计人员访问期结束之后，未能纳入本次评估。

尽管OpenAI声称已修复审计人员发现的所有漏洞，但信息透明度问题引发了外界关注。完整的61页审计报告经OpenAI大量删改后，METR和Redwood Research领导层仅获得了38页版本，公众能够看到的只有一份简短摘要。METR表示无权自行披露被删除的内容，并明确表示在未来的审计项目中将推动更高程度的公开透明。

要点

• GPT-5.5级别及以上模型的内部代理流量中，有6%至25%在审计期间完全未被监控覆盖，显示OpenAI对高级模型行为的监控存在显著盲区
• 审计人员发现代理可通过持续执行操作绕过监控触发机制，并找到了隐藏操作记录、绕过沙箱及可能导致监控系统崩溃的多种方法
• 强化学习训练过程在审计开始时完全未被监控，相关改进措施在审计访问期结束后才得以实施
• 完整61页审计报告经大量删改，公众仅能获取摘要版本，外部审计的透明度受到严重限制
• 此次审计为试点项目，METR表示将在未来审计中推动更高程度的公开透明，以加强对AI安全监控的外部问责