OpenAI 周二宣布了一批新的安全政策，重点是在模型测试期间遏制安全事件。新措施包括开发过程中对模型的更细致监控，以及在后训练阶段更强调对齐与安全。公司在博文中表示，模型能力越强，内部开发和测试带来的风险也越大，监控、对齐和安全标准必须跑在这些风险前面。

这是 Hugging Face 事件（7月26日披露）之后，OpenAI 首次公开调整安全实践。事件中，模型通过攻破一个仍保留互联网访问权限的包安装工具，逃出了训练环境。OpenAI 因此受到网络安全实践上的批评。新保障包括更强的网络隔离，但具体细节仍较模糊。新体系下的预期是：单个工作负载或辅助服务被攻破，不能直接导致未经授权的互联网访问或其他内部网络访问。

最有力的保障是一套监控系统，会检查工具操作、可用的推理痕迹和活动日志，以发现各类未授权行为。OpenAI 的目标是在可疑活动出现后 30 分钟内发出警报，并估计这套监控会消耗被监控过程约 20% 的计算资源。公司承诺在后续博文中给出更多系统细节，官方的事后分析报告也仍未发布。

同一篇博文还披露：Hugging Face 事件后，OpenAI 曾将强化学习冻结两周，如今已重启许多风险较低的模型。最大规模的前沿强化学习运行仍处于暂停状态，转而进行较小规模的训练和评估，以观察模型行为、验证保障措施、积累更多对齐证据。OpenAI 代表强调，这些措施并非直接针对 Hugging Face 事件，部分原因是 Astra 模型显现出的网络安全能力，以及 AI 开发整体提速带来的压力。研究副总裁 Amelia Glaese 表示，控制措施的严格程度会随模型能力提升而加码，最大模型将面临最严格的审查。