入場三週，突圍「不乖」監控

METR同Redwood Research各出一名研究員，喺7月21日至8月11日三週內，入場stress-test OpenAI內部嘅「失調監控」（misalignment monitoring，即監察模型有冇出現失控、不守規範行為嘅系統），交出一篇61頁嘅內部報告，主要估算究竟幾多「代理推理」（agentic inference）真係被監控住，以及代理有冇可能喺原則上disable或架空呢個系統。

呢個係外部研究員高權限入場嘅試點。兩人獲得OpenAI內部codebase、監控用提示詞（prompt）同配置、內部文件嘅存取權，並同監控、安全系統同保安團隊約十名研究員及工程師做技術訪談。佢哋用OpenAI發出嘅裝置工作，裝置冇離開場地，人喺場時有陪同下。

試點期間佢哋喺該系統上發現數個新漏洞。METR特別註明：OpenAI喺佢哋測試期間同時正擴大該系統，所以佢哋嘅發現描述嘅係7月21日及之前嘅「歷史版本」，唔代表擴大後嘅現有覆蓋。

覆蓋幾多？約一成漏咗

佢哋估計，截至試點，約75%至94%嘅agentic Responses API（即驅動Codex等產品嘅內部API）流量、由GPT-5.5或同等以上模型產生，都「有資格」受監控，但佢哋表明呢個區間有相當程度嘅不確定。

就Responses API流量入面、專門供內部Codex agent使用嘅部分，佢哋估計99.2%有資格受監控。

有兩項缺口。其一，OpenAI曾告知，3月至6月間有RL（強化學習）訓練嘅部分rollout有受失調監控，但試點開始時，RL訓練run並未被系統覆蓋。其二，由5月至7月，「compaction」事件（即對話壓縮、歷史摘要時觸發嘅事件）未被監控，佢哋估計呢個漏洞令約10%嘅內部Codex流量漏測；OpenAI員工喺試點前已獨立發現，並喺期間修復。

試點，唔係透明報告

METR、Redwood同OpenAI將呢次試點設計為「畀外部研究員深度接觸內部基礎設施」嘅試點，而非就監控系統本身提供全面公眾透明。因此三方事前共識，公眾只發表一篇相對簡短、高層嘅文章；佢哋表示日後嘅類似試點會按「我哋與AI公司合作嘅做法」嘅透明同獨立最佳實踐，提供更高強度嘅公眾透明。

模姐｜深度調教