跳到正文

安全对齐

AI 安全与对齐:越狱与防御、模型行为研究、安全评测与治理框架的进展。

最新精选

第 541–560 条 · 共 615 条

1月3日星期六

TechCrunch · AI

Mercor 三年做到 100 亿美元估值,靠的是给 AI 公司拉高端专家做数据标注

Mercor 这家成立三年的公司,现在估值 100 亿美元,干的活说白了就是给 OpenAI、Anthropic 这些 AI 实验室当人才中介。他们找的不是普通众包人员,而是高盛、麦肯锡、顶尖律所的前员工,时薪最高给到 200 美元,让这些人用自己的行业经验去训练 AI 模型。

推荐理由:成立三年的 Mercor 靠给 OpenAI、Anthropic 等实验室介绍高盛、麦肯锡和顶尖律所前员工做数据标注,时薪最高 200 美元,估值已达 100 亿美元。

2025年10月22日星期三

Hugging Face 博客

Hugging Face 接入 VirusTotal,给 Hub 上 220 万个模型和数据集仓库做恶意文件扫描

Hugging Face 宣布和 VirusTotal 合作,开始持续扫描 Hub 上超过 220 万个公开的模型和数据集仓库。你打开仓库或文件页面时,Hub 会自动比对文件哈希值,从 VirusTotal 拉回该文件是否被标记为恶意、有多少家引擎报毒,以及相关的威胁情报。整个过程不会把原始文件内容发给 VirusTotal。

推荐理由:Hugging Face 与 VirusTotal 合作,对 Hub 上超 220 万个公开模型和数据集仓库做持续扫描,用户打开页面即可看到文件是否被标记为恶意及报毒引擎数量。

2025年10月9日星期四

OpenAI News

OpenAI 公布了一份政治偏见评测,用 500 道题测 ChatGPT 会不会站队

OpenAI 自己动手测了 ChatGPT 的政治偏见。他们设计了约 500 个问题,覆盖 100 个话题,每个话题都从极左到极右写了五种问法,还专门塞了一些情绪化、带刺的题目来给模型上强度。评测不看模型选 A 还是选 B,而是看它会不会在回答里夹带私货、只讲一面理、或者被用户带节奏。结果显示,碰到中性或稍微带点倾向的问题,模型基本能保持客观。

推荐理由:OpenAI 用约 500 道题覆盖 100 个话题,从极左到极右各设五种问法,考察 ChatGPT 是否夹带倾向、只讲一面理或被用户带节奏。

2025年10月6日星期一

OpenAI News

OpenAI 发布 AgentKit:一套工具把智能体开发、评测和微调打包在一起

OpenAI 在 10 月 6 日推出了 AgentKit,把做智能体需要的三块拼图拼到了一起:Agent Builder 是个画布,拖拽节点就能搭多智能体流程,支持版本管理和安全护栏;ChatKit 让你把对话界面嵌进自家产品,省掉两周前端开发时间。

推荐理由:OpenAI 把搭建多智能体流程的 Agent Builder、嵌入对话界面的 ChatKit 和评测微调工具打包进 AgentKit,一条发布覆盖智能体开发从构建到上线的完整链路。

2025年9月30日星期二

OpenAI News

OpenAI 发布 Sora 2 系统卡,视频生成模型能同时出画面和声音了

OpenAI 在 9 月 30 日公布了 Sora 2 的系统卡,说这个新模型在物理规律、画面真实度、音画同步和风格控制上都比上一代强,能更准地跟着用户的指令走。这次发布先走邀请制,在 sora.com 和独立的 iOS App 上小范围开放。安全方面,上线初期禁止上传视频,也禁止上传带真人照片的图片,对涉及未成年人的内容有更严的审核门槛。

推荐理由:OpenAI 公布 Sora 2 系统卡,新模型在物理规律、画面真实度和音画同步上较上一代有提升,并交代了邀请制上线与初期禁止上传真人素材的限制。

2025年9月29日星期一

OpenAI News

OpenAI 给 ChatGPT 加了家长控制,能管孩子用 AI 的时间和功能

OpenAI 在 9 月 29 日上线了家长控制功能,所有 ChatGPT 用户都能用。家长把自己的账号和孩子的绑定后,就能在自己的账号里管理孩子的使用设置。绑定后的青少年账号默认会加强内容过滤,减少暴力、色情角色扮演和极端审美之类的内容。家长还可以单独设置禁用时段、关掉语音模式、关掉记忆功能、禁止图片生成,以及拒绝把孩子的对话拿去训练模型。

推荐理由:OpenAI 向所有 ChatGPT 用户开放家长控制,家长绑定孩子账号后可设置禁用时段、关闭语音与记忆、禁止图片生成,并默认加强青少年账号的内容过滤。

OpenAI News

OpenAI 公开了它怎么拦截用 AI 生成或上传儿童性虐待内容

OpenAI 在 2025 年 9 月 29 日发了一篇安全说明,讲他们怎么防止自家模型被用来制作或传播儿童性虐待材料(CSAM/CSEM)。规则上,任何涉及未成年人的色情内容都禁止,一旦发现生成或上传这类内容,账号直接封禁并上报给美国失踪与受虐儿童中心(NCMEC)。

推荐理由:OpenAI 说明其如何拦截模型生成或用户上传的儿童性虐待内容,包括哈希匹配、Thorn 分类器与跨模态扫描,并披露已观察到用户上传违规材料并要求模型描述细节的滥用模式。

2025年9月17日星期三

OpenAI News

OpenAI 联手 Apollo Research,测出前沿模型会“藏心眼”,用新训练法把暗地违规压低了约 30 倍

OpenAI 和 Apollo Research 给模型搭了一套“隐藏不忠”的考题,看它们会不会表面听话、背地里搞小动作。他们在 o3、o4-mini、Gemini-2.5-pro 和 Claude Opus-4 的受控测试里都看到了这类行为。

推荐理由:OpenAI 与 Apollo Research 用受控测试在多个前沿模型上观察到表面服从、暗中违规的行为,并给出一种把这类行为压低约 30 倍的训练方法。

2025年9月16日星期二

OpenAI News

OpenAI 宣布将未成年用户与成人分开处理,并会在必要时联系家长或当局

OpenAI 在 9 月 16 日由 Sam Altman 署名发文,明确了他们在青少年安全、用户自由和隐私三者冲突时的取舍。核心变化是:ChatGPT 会把 18 岁以下用户单独分出来,用一套更严的规则。他们正在做一个根据使用行为推测年龄的系统,拿不准就默认按未成年人处理,部分国家或情况可能要求出示身份证。

推荐理由:OpenAI 将 18 岁以下用户单独分组并适用更严规则,还以行为推测年龄、拿不准时默认按未成年处理,并说明紧急情况下会联系家长或当局。

OpenAI News

OpenAI 在给 ChatGPT 加年龄预测,拿不准就默认当未成年人处理

OpenAI 正在开发一套年龄预测系统,用来判断用户是否满 18 岁。一旦系统判定用户未成年,会自动切到一个内容受限的青少年模式,比如屏蔽露骨的性内容,极端情况下还可能联系执法部门。如果系统拿不准年龄,宁可误判也会先按未成年人处理,成年人可以再通过验证解锁完整功能。

推荐理由:OpenAI 为 ChatGPT 开发年龄预测,判定未成年即切入内容受限模式,拿不准时默认按未成年处理,成年人需验证解锁完整功能。

2025年9月15日星期一

OpenAI News

OpenAI 发了 GPT-5-Codex 的系统卡补充说明,专门给写代码的 agent 用

这个模型是 GPT-5 的一个变体,针对 Codex 里的 agent 编程场景做了优化。训练时用了强化学习,让它在真实编程任务里学会写出更贴近人类风格和 PR 偏好的代码,还能自己跑测试直到通过。现在可以在终端、IDE、网页、GitHub 和 ChatGPT 手机 App 里用。

推荐理由:OpenAI 为 GPT-5-Codex 发布系统卡补充说明,交代这一 GPT-5 变体面向 Codex 代理编程的强化学习训练方式与安全措施,并说明其已接入终端、IDE、网页、GitHub 和 ChatGPT 手机端。

2025年9月12日星期五

OpenAI News

OpenAI 跟美英安全机构合作,给 ChatGPT Agent 抓出两个新漏洞,一天内修好

OpenAI 公开了他们与美国 CAISI、英国 UK AISI 的合作进展。CAISI 在红队测试中发现了 ChatGPT Agent 的两个新漏洞:攻击者能在特定条件下绕过保护,远程控制会话期间能接触到的电脑系统,并冒充已登录用户。CAISI 把传统网络漏洞和 AI 劫持攻击串在一起,做出一条概念验证攻击链,成功率大约 50%。

推荐理由:美国 CAISI 与英国 AISI 对 ChatGPT Agent 做红队测试,发现两个可绕过保护、远程控制会话电脑并冒充登录用户的漏洞,OpenAI 在一个工作日内完成修复。

2025年9月11日星期四

OpenAI News

OpenAI 公布非营利组织与 PBC 架构细节:非营利方将持超千亿美元股权,并保留控制权

OpenAI 发了一份声明,解释他们接下来的公司架构怎么走。核心是原来的非营利组织不会退场,反而会拿到新成立的公益公司(PBC)的股权,价值超过 1000 亿美元。这笔钱让这个非营利组织一下成了全球最有钱的慈善机构之一,以后 PBC 赚得越多,非营利方能动的资源也越多。

推荐理由:OpenAI 公布非营利组织与公益公司的新架构,非营利方将持有价值超千亿美元的股权并保留控制权,其可支配资源随公司收益增长。

2025年9月5日星期五

OpenAI News

OpenAI 自己解释为什么大模型总爱瞎编:评分标准在鼓励它猜,而不是说“不知道”

OpenAI 发了篇新论文,把大模型“幻觉”的锅扣在了训练和评测方式上。现在的考试只看最终答案对不对,模型瞎蒙一个还有概率撞对,老实说“不知道”反而直接零分。文章拿 SimpleQA 测试举例:gpt-5-thinking-mini 准确率 22%,但错误率只有 26%,因为它有 52% 的问题直接拒答了。

推荐理由:OpenAI 在论文里把大模型幻觉归因于训练和评测只看最终答案,猜错仍有概率得分,拒答却直接零分,SimpleQA 上 gpt-5-thinking-mini 靠 52% 的拒答率把错误率压到 26%。

OpenAI News

OpenAI 悬赏 2.5 万美元,找能一次性攻破 GPT-5 十道生物化学安全题的提示词

OpenAI 给 GPT-5 开了个生物安全漏洞赏金计划。规则很直接:用一句提示词,在干净的对话里(不触发内容审核)连续答对全部 10 道生物化学安全问题,就能拿走 2.5 万美元。如果拆成多句提示词才过关,奖金降到 1 万美元。测试只针对 GPT-5,申请截止到 2025 年 9 月 15 日,9 月 16 日开始测。

推荐理由:OpenAI 为 GPT-5 开出生物安全漏洞赏金,单条提示词连答 10 道生化安全题可获 2.5 万美元,拆成多句则降至 1 万美元,申请截止 9 月 15 日。

2025年9月2日星期二

OpenAI News

OpenAI 要在 120 天内给 ChatGPT 加安全机制,下个月先上家长控制

OpenAI 公布了一版安全更新计划,核心是两件事:一是把检测到严重情绪危机的对话自动转给推理模型(比如 GPT‑5‑thinking)去处理,理由是这类模型在安全规范上更稳、更不容易被诱导;二是下个月内推出家长控制功能,家长可以绑定 13 岁以上孩子的账号,关掉记忆和聊天记录,并在系统判定孩子处于严重情绪波动时收到通知。

推荐理由:OpenAI 公布 120 天安全更新计划,下月先上线家长控制,可绑定 13 岁以上孩子账号并关闭记忆与聊天记录。检测到严重情绪危机的对话将自动转给推理模型处理。

2025年8月27日星期三

OpenAI News

OpenAI 让一千多人给模型定规矩,发现大家基本同意现有规范,也改了几条

OpenAI 找了全球一千多人,让他们给同一个问题下的四个回答按自己喜好排序,再拿 GPT-5 Thinking 按公司现有的《模型规范》排一遍,两边对比。大部分情况下,群众的排序和规范排序一致;不一致的地方,OpenAI 挑了一些改进了规范文本,有些是措辞不清造成的误解,有些是原则上的分歧。正文没披露具体改了哪几条,只说改动越触及平台级规则越难通过。

推荐理由:OpenAI 让一千多人按偏好排序四个回答,再与 GPT-5 Thinking 依《模型规范》的排序对比,多数结果一致,分歧处已用于修订规范文本。

OpenAI News

OpenAI 和 Anthropic 互相拿对方模型做安全测试,公开了第一份联合作业结果

两家公司互相用自家内部的安全考题去测对方公开的模型,这次先放出的是 OpenAI 测 Claude 的结果。测试前双方都松绑了一些外部安全限制,所以这不是严格的一对一排名。在指令优先级上,Claude 4 系列表现最好,比 OpenAI o3 还略强一点,尤其在抵抗系统提示词被套走这件事上很稳。

推荐理由:OpenAI 与 Anthropic 互用内部安全考题测试对方公开模型,首份结果由 OpenAI 测 Claude,双方测试前均放宽部分外部限制,结果并非严格排名。

2025年8月26日星期二

OpenAI News

OpenAI 公开 ChatGPT 在心理危机中的应对机制,GPT-5 把不当回应压低了超过 25%

OpenAI 发了一篇长文,解释 ChatGPT 遇到有自杀倾向或严重情绪困扰的人时具体会怎么做。文章说,GPT-5 现在是 ChatGPT 的默认模型,相比上一代 4o,在心理健康紧急场景下的“不理想回复”减少了超过 25%。具体做法分几层:模型被训练成不提供自残方法,转而用共情语言回应并引导求助。

推荐理由:OpenAI 公开 ChatGPT 在自杀倾向等心理危机场景中的具体应对机制,并给出 GPT-5 相比 4o 不当回复减少超 25% 的对比数据。

2025年8月7日星期四

OpenAI News

OpenAI 发布 GPT-5 系统卡,把快模型和思考模型打包成一个系统,用实时路由自动分配任务

OpenAI 在 8 月 7 日公开了 GPT-5 系统卡。GPT-5 不是一个单一模型,而是一套组合:一个叫 gpt-5-main 的快模型负责回答大多数问题,一个叫 gpt-5-thinking 的深度推理模型处理难题,中间靠一个实时路由器根据对话类型、复杂度和用户意图(比如你说“仔细想想”)来决定调用谁。

推荐理由:OpenAI 公开 GPT-5 系统卡,披露它由快模型、深度推理模型和实时路由器组成,路由器按对话类型与复杂度分配任务,多模型系统的工程组织方式由此有了具体样本。