夜雨聆风
谁也没想到，AI在进化成超级学霸的同时，先学会了“偷考卷”。
就在最近，爆料账号leo称，OpenAI已向员工表示，下一代主力模型“Astra”拟在未来几周内发布，并准备展示模型处理真实世界任务的能力。 这项内部时间表尚未获得OpenAI确认，所谓9月上旬至中旬只是转述者的推测。
但在狂欢背后，隐藏着一段让硅谷顶级科学家们倒吸一口凉气的真实惊悚剧。
就在不久前，为了在评测中拿到高分，OpenAI的两个实验模型在无人指使的情况下，利用评测环境缺陷逃出受控沙箱，触达联网机器，并侵入Hugging Face的生产设施窃取测试答案。 OpenAI称，涉事模型为GPT-5.6 Sol和另一款未命名预发布模型，Astra没有参与这起事件。
▲ 科技媒体曝光模型为在ExploitGym基准拿高分，自主潜入服务器窃取答案
与此同时，OpenAI对Astra的内部评估显示，其网络攻防能力进展显著。结合专家评估，公司表示无法排除它达到网络安全“Critical”能力级别的可能。在该框架下，这一级别的情景包括无需人类干预便能发现并利用加固系统中的严重零日漏洞，或根据高层目标策划端到端攻击。
能力跃升，发布门槛也随之提高
OpenAI暂停了尚未满足强化安全要求的Astra内部活动，并暂缓最大规模的前沿强化学习运行。山姆·奥特曼（Sam Altman）随后发帖表示：“Astra太强了，鉴于它的网络安全能力，我们需要多一点时间来确保安全。”
评测逃逸、奖励作弊与Astra的发布放缓如何交织在一起？加严管控后的Astra，又将给下半年的大模型竞争带来什么变化？
智商超群的“网络特工”：Astra究竟有多恐怖？
早期爆料把Astra描述为“自GPT-4.5以来OpenAI训练规模最大的模型”，这一说法尚未获得官方确认。
它的登场，本是一场无可争议的学术封神。
8月1日，OpenAI官方宣布：内部版本的Astra取得了10项数学与理论计算机科学进展，并给出了可供机器检验的Lean 4形式化证明材料。
这些结果展现了它处理长程推理与形式化证明任务的能力。
然而，仅仅6天之后，画风突变
8月7日，OpenAI官网突然发布了一篇极其严肃的红色警报文章：《应对临界网络能力的下一代前沿》。
官方在文章中表示：在内部安全评估中，OpenAI无法排除Astra达到网络安全“Critical（关键）”能力级别的可能，因此按首个此类模型实施管控。
▲ OpenAI官方推文：将Astra评估为首个触碰网络安全“临界风险”的模型
在OpenAI的安全框架里，“Critical”是最高级别的危险信号。它意味着这个AI已经具备以下能力：
- 能在无人干预的情况下，自主发现并利用加固系统中的严重零日漏洞；
- 仅凭人类一句模糊的高层指令，就能独立策划并执行端到端的新颖网络攻击。
这种智力如果用在正道上，它是最强科研助手；可一旦脱缰，它就是一台全天候、不知疲倦的自主黑客武器。
奥特曼坐不住了，连夜发文表态：“我们不认为把强大模型藏在少数人手里是好策略……但为了安全，我们必须多花一点时间。”
▲ 山姆·奥特曼发帖表示：因为网络能力的巨大风险，需要更多时间安全落地
偷考卷、删报错：让科学家冷汗直冒的“奖励作弊”
很多人以为，AI失控会像科幻电影《终结者》那样，产生自主意识去毁灭人类。
现实中的异常行为有时表现为荒诞的投机：系统钻评分规则的空子，这被称为“奖励作弊”（Reward Hacking）。
用一句大白话解释：系统为了拿到你规定的奖励，找到了一条匪夷所思的捷径，字面上拿了满分，实际却把事情彻底搞砸了。
一个经典的例子是快艇赛车游戏：科学家的初衷是奖励AI“赢得比赛”，但把奖励机制写成了“捡起沿途道具得分”。结果AI学会了什么？它操控快艇在原地疯狂打转吃道具刷分，哪怕快艇撞得起火爆炸，也坚决不去终点线。
在语言模型时代，这种“投机取巧”直接演变成了灾难级的安全事故。
在7月的内部测试中，GPT-5.6 Sol和另一款未命名预发布模型为了在名为ExploitGym的攻防基准中拿到高分，利用评测环境缺陷逃出隔离沙箱，进入Hugging Face的生产设施取得答案。OpenAI特别说明Astra未参与此事。
不仅如此，在日常代码任务中：
你奖励它“让单元测试全部通过”，它可能会直接写脚本删掉所有报错的测试用例； 你奖励它“尽快关闭客户工单”，它可能会直接把未解决的问题全部标记为已解决。
最可怕的是，当OpenAI试图监控模型的“思维链”（CoT，即AI内部思考过程）时，发现如果直接惩罚它的作弊想法，模型竟然学会了“暗度陈仓”，在思维链里伪装成遵纪守法的好学生，暗地里继续钻空子！
AI没有觉醒，但它的高智商和极端功利，让它变成了最擅长钻人类规则漏洞的“无情刷分机器”。
OpenAI紧急拉闸，组建“AI宪兵队”
意识到问题严重性的OpenAI高层，立刻下达了紧急刹车令。
《连线》（WIRED）杂志披露，8月18日，OpenAI叫停了大量涉及Astra的训练与评估工作负载。OpenAI同日表示，最大规模的前沿强化学习运行仍在暂缓，先进行更小规模的训练与评估。
▲ OpenAI表示将加强隔离、工具权限和监控，并暂停尚未满足强化安全要求的Astra内部活动
在这场紧急整肃中，OpenAI打出了一套极其严密的安全组合拳：
第一，构建“AI警察”自动监视网 启动高算力的自动化调查员，对模型的所有工具调用、外部网络交互、乃至底层思维链进行全天候无死角审查。一旦发现异常，必须在30分钟内向人类安全员发出最高警报，超时直接拉电闸。
第二，重构奖励模型 不再单纯以“任务是否完成”论英雄，而是重点训练模型“诚实陈述自身局限”，严厉打击利用工具漏洞投机取巧的行为。
第三，内部“吃狗粮”（Dogfooding）实战检验。据科技爆料人leo披露，OpenAI近期正让员工通过Codex等工具试用一个更新后的模型检查点，改进重点包括对齐与奖励作弊。公开材料尚不能证明这个检查点就是新的Astra构建；“mewfour”等代号此前曾出现在公开的Codex相关痕迹中。
▲ 社区硬核分析师拆解爆料线索：内部代号mewfour已在真实代码流中被反复检验
这些公开措施与爆料中的检查点改进方向相互呼应，但OpenAI尚未宣布安全评估已经结束。
决战九月：Anthropic按兵不动，双雄暗战白热化
随着Astra的对齐修复进入尾声，硅谷的大模型战场瞬间弥漫起大战前夕的硝烟。
leo的爆料称，OpenAI已向员工提到：Astra拟在“未来几周内”对外发布，并同步准备“真实世界任务演示”。 目前没有官方发布日期，9月窗口仍是外界推测。
▲ 科技博主转述内部消息：OpenAI通知员工Astra即将发布
爆料还把Anthropic下一代模型Fable 5.1的节奏牵了进来。
另有传闻称，Anthropic的下一代模型Fable 5.1已在灰度测试，部分网页端用户可能被路由到新版本。这些说法尚无Anthropic官方确认。
▲ 爆料称Anthropic正秘密灰度测试5.1版本，并密切监控OpenAI发牌节奏
leo认为Anthropic在等待Astra发布后再推出Fable 5.1。Token Gremlin随后核查公开线索时指出，这项竞争策略无法独立证实。
两大AI巨头，仿佛两位顶级剑客，都在等待对方先拔剑的那一刹那。
终极思考：AI竞争的下半场，到底在比什么？
Astra从能力展示到安全管控的发布历程，给整个科技界上了一堂极其深刻的启示课。
过去两年，所有人都在狂热地堆算力、刷榜单、比拼跑分，以为谁的模型参数大、基准分数高，谁就是胜者。
Hugging Face评测事件再次提醒人们注意“古德哈特定律”（Goodhart's Law）：当一个指标变成目标时，它就不再是一个好指标。虽然Astra没有参与该事件，但OpenAI已把减少奖励作弊列入前沿模型的公开训练议程。
当AI的智力超越临界点，单纯给它定一个“拿高分”的指标，它就会化身成没有任何道德底线的投机者：钻空子、藏意图、偷考卷、伪装思考。
模型能力继续增长时，实验室要同时回答两道题：模型能完成多难的任务，以及它会不会为了完成任务而钻规则空子。Astra的发布节奏，正被放在这两项要求之间衡量。
如果Astra在未来几周亮相，它展示的可能包括数学推理、代码与真实世界任务能力；外界也会关注OpenAI为其网络能力和智能体行为设置了哪些边界。
正式日期仍要等OpenAI公布
