GPT-6 真的要来了，奥特曼：后果不敢想

但这个位置可能明天就要换人了。

就在 Fable 5.1 发布不久，OpenAI 更新了 Astra 的安全评估博客，他们说这款模型能找零日漏洞、拼攻击链、逃离浏览器沙箱，还能从普通账户一路冲到 root。

好家伙，现在发模型之前先放一个危险声明已经成套路了。就像 APPSO 之前文章写的，越狱已经成了新的 Benchmark。

Sam Altman 随后也发文称，OpenAI 的下一款模型很快发布。他透露 Astra 早已完成训练，能力和对齐都有明显提升。

但 OpenAI 团队既兴奋，也焦虑。团队需要留出足够时间处理安全和对齐问题。Altman 说：「没有人完全理解」如此强大的 AI 会带来什么后果。（看来奥特曼这次又瘫坐在椅子上了）。

也就是说， GPT-6 这次真的要来了。

虽然 Astra 命名还没确定，但它的定位肯定是旗舰模型，要冲着 Fable 5.1 发起冲击了。

OpenAI 独一档的模型

在博客中，OpenAI 给 Astra 定了一个新等级——Critical，关键级网络安全能力。此前没有任何 OpenAI 模型被划到这个等级。

「Critical」只对应网络安全专项。它不等同于 AGI，也无法代表 Astra 的全部能力。

按照 OpenAI 的《Preparedness Framework》，达到这一级别的模型可以发现未知漏洞，并在许多加固系统中开发可用的零日攻击。

模型需要合适的工具和权限，但不需要人类逐步指导。即使只收到一个高层目标，它也可能自行规划和执行针对加固目标的新攻击策略。

OpenAI 的定级结合了公开基准、内部基准和专家主导评测。其中有一套测试叫 ExploitBench。

这套测试会给模型一个已经公开的漏洞。模型需要写出真正可用的攻击代码，不能只复述漏洞原理。

结果 Astra 完成了这套测试里的全部题目，拿到了满分「大结果」。

这个满分不等于 Astra 能攻破所有现实系统，它只代表 Astra 在这套已知漏洞题库中全部成功。公开题库有一个 Bug，里面的内容可能进入过训练数据，模型也许见过类似答案。

OpenAI 因此专门准备了一套内部测试，题目包含 20 个在 2026 年 6 月至 8 月披露的高危 V8 漏洞。Astra 的任意代码执行成功率远高于 GPT-5.6 Sol，使用的输出 Token 也少得多。

OpenAI 安全工程人员、前 Indent CEO Fouad Matin 表示，Astra 的能力和 Token 效率都高于 GPT-5.6 Sol，目前官方还没公布具体成功率和 Token 数量。

评测过程中，Astra 还发现了 2 个此前未知的零日漏洞，随后它利用 2 个漏洞形成一条完整攻击链。

跑完这些题后，专家又把 Astra 放进受控的浏览器和操作系统环境。

Astra 在浏览器打开一个 HTML 文件后，它构造出完整攻击链，逃出沙箱，并在宿主机上执行命令。在另一组操作系统评测中，Astra 找到多个漏洞，并把它们组合成本地提权链。

Astra 的权限也从普通用户升到了 root。沙箱用来限制网页代码的活动范围，root 则拥有整台机器的最高权限。

OpenAI 特别标注，这些成绩来自拥有 Daybreak Blue 权限的 Astra。默认生产配置不会开放同样的工具和权限。

越会攻击，反而越少「偷家」

在网络安全越狱测试中，Astra 对违规请求的拒绝率达到 91.5%。GPT-5.6 Sol 的拒绝率是 59%。

按照 OpenAI 的说法，Astra 是其「迄今最对齐的模型」。这得益于预训练阶段的干预，以及强化学习中更谨慎、更一致的评分。

团队还根据此前的 Hugging Face 事件设计了「蜜罐」测试。模型遇到很难或无解的任务时，周边系统会留下可用于作弊的目标。

在没有生产防护的模拟环境中，GPT-5.6 Sol 有 56% 的测试会尝试访问这些目标。

但 Astra 完全没有这样做。

自动审查拒绝操作后，Astra 也没有尝试绕过审查，面对蜜罐捷径时，它仍然通过正常方式解出了一部分任务。

当然，这些结果只适用于特定测试。OpenAI 仍为正式发布版本加入了模型拒绝、系统分类器、跨会话监控和离线检测。

同时，被系统判断为高风险的账户，会遇到更保守的模型边界。监控系统也会结合更多跨会话信息识别潜在滥用。

OpenAI 还在继续内部和外部红队测试。过去发现的越狱方法会反复回归检查，新发现则进入 7 × 24 小时快速响应流程。

安全团队需要防止恶意用户借助 Astra 发动攻击，即使没有恶意用户，模型自行采取未经授权行动的风险也要被监控。

Hugging Face 攻击事件后，虽然这个攻击和Astra没关系，但 OpenAI 宣布暂停训练约 2 周，用来加强训练环境隔离、网络控制、行为监控和对齐标准。

Astra 发布推迟到现在，最直接的原因就是安全测试。

Astra 背后的秘密技术

Astra 的能力提升，可能还藏着一项没有公开的技术更新。

据 The Information 援引一名了解 Astra 开发的人士报道，Astra 使用了一种名为「循环深度」的技术，也被称为「循环 Transformer」，OpenAI 官方尚未回应。

传统 Transformer 在生成下一个 Token 前，会让信息依次通过固定的网络层。而循环 Transformer 会让同一份信息多次通过相同的网络层，模型可以在输出下一个 Token 前，反复处理当前问题。

可以这样理解，同一组神经网络多想几轮，再给出答案。

这种方法会增加每个 Token 获得的内部计算量，同时不需要按比例增加参数数量。较小的模型因此可能表现得更像大型模型。模型占用的内存和带宽也有机会下降。

OpenAI 博客里面提到「使用更少输出 Token」，指的是完成任务所需的文本长度。循环深度改变的是每个 Token 在模型内部经历多少次计算。

循环次数增加后，单个 Token 的计算量可能上升。最终能否降低整体成本和延迟，还要看模型规模、循环次数和实际部署方式。

真正引发安全讨论的，是这些额外计算发生在哪里。

通常情况下，模型会把部分推理过程写成可读的思维链。研究人员可以检查这些文字，判断模型有没有越权、欺骗或绕过安全限制。

循环深度可能让更多推理停留在内部数值状态中。模型仍然可以给出答案，但它在内部经历的部分判断不会完整出现在可读文本里。

这会给思维链监控带来一个新问题：模型想得更多了，人类看到的过程却可能更少。

根据 The Information 的报道，OpenAI 限制了循环深度在 Astra 中的使用程度。Astra 仍然会生成可读的思维链，OpenAI 研究人员认为目前可以充分监控它的推理。

潜在的风险是，如果开发者不断增加循环次数，又没有保留足够的可读推理过程，现有的思维链监控可能逐渐失效。

OpenAI 已经确认，Astra 上线时会配备额外的思维链监控。用来快速发现和阻止潜在的越权行为。

不过思维链文字可能无法覆盖全部内部推理。OpenAI 还需要结合模型行为、工具调用和其他监控信号，判断 Astra 有没有偏离任务。

OpenAI 预计，Astra 上线初期的限制会比长期目标更严格。团队会继续校准误报，再逐步扩大访问。在 ChatGPT 或 Codex 中，用户可能需要人工确认后才能继续。通过 API 运行的任务会直接停止。

悬着的心终于死了。

以后 Agent 干到一半突然申请审批，可能是电子保安按下了暂停键。

最先进的网络安全能力，起初只会开放给少量 alpha 测试者。之后，OpenAI 会通过 Daybreak Blue 扩大防御用途的访问范围。

过去几周，OpenAI 延后了 Astra 的部分开发和发布工作，花了更多时间新增防护现已达到其框架要求，让模型可以发布出来。

至于 Astra 的正式产品名、发布日期、参数量、上下文、多模态能力和价格，都还没有公布，等到模型发布后，APPSO 将第一时间跟大家分享。

结合 Fable 5.1 和 Astra 目前公开的信息，APPSO 也发现大模型有了些新的趋势。

下一轮竞争的重点会落在长时间运行的 Agent 上，前沿模型会越来越多地采用分级开放，我们评估模型能力不能光看跑分了，权限、监控、Token 成本和公开范围都会很大程度上影响使用体验。

安全相关的内容大概会成为模型卡里的必答题，下一代 AI 已经能找到后门，现在的问题是，它还愿不愿意老老实实走正门。(赛博烧香中)

我们正在招募伙伴

简历投递邮箱hr@ifanr.com

✉️ 邮件标题「姓名+岗位名称」（请随简历附上项目/作品或相关链接）