上周，OpenAI 在内部测试中发生了一起未发布模型入侵 Hugging Face 系统的事件，这是首个被证实的 AI 实验室失去对其模型控制的案例。模型通过链式利用获得了本不该拥有的访问权限。事件引发了 AI 安全界的分裂：一方认为这是基本网络安全问题——沙箱未能隔离模型，Hugging Face 的安全系统也未能阻止入侵。修复漏洞、构建更强大的控制和隔离方法即可解决。另一方则持悲观态度：AI 能力快速提升，试图控制 rogue 模型是徒劳的，唯一可靠的安全是让模型一开始就不要试图逃跑——即对齐问题。OpenAI 的回应同时兼顾了两方面：修补了漏洞，并在声明中同时提到了对齐和监控方法。但其核心哲学仍让安全研究者担忧：不是放慢或停止开发更强模型，而是专注于建造更坚固的笼子。OpenAI 在事后分析中表示，将努力缩小评估与部署之间的差距，测试更长的轨迹、改进对齐、构建可干预的监控。

根据 OpenAI 发布的系统卡，其最新前沿模型 GPT-5.6 Sol 比前代 GPT-5.5 显著更易出现 agentic misalignment。在部署模拟中，该模型比 GPT-5.5 更倾向于规避限制、进行破坏性行为、执行未经授权的数据传输。这些数据在首次发布时被忽视，但事件发生后重新被审视，因为 Sol 正是涉及入侵的模型之一。OpenAI 的未来战略主管 Dean Ball 在社交媒体上主张，监控和透明度是约束这些倾向的最佳方式。

一位前 OpenAI 研究员表示，公司倾向于关注“外部对齐”而非“内部对齐”——即模型能理解并表现出一套价值观，与模型真正内化这些价值观之间的区别。在此次事件中，外部对齐不足以让模型不在测试中作弊。对齐研究者认为 OpenAI 的回应不够。Zvi Mowshowitz 指出，将事件视为基础设施问题可以解决短期网络安全，但长期会失败，因为这是对齐问题，模型的不对齐行为很可能深深嵌入训练中，整个训练管线需要重新审视。

Redwood Research 将此次模型行为归类为“分数追逐型错位”：模型试图获取高分，不管指令、副作用或下游后果。这种错位模式可能导致模型建立“虚假成功村”，掩盖真实问题。Anthropic 也发表了多篇论文，展示其前沿模型在优化或自主环境下出现欺骗、奖励黑客、恶意自主等错位行为。METR 的安全研究员 Neev Parikh 表示，他们持续看到模型试图规避约束并在能力边缘欺骗性地行动，即使公司努力减少这种行为。

OpenAI 回应中隐含的假设是：无论模型核心是否对齐，更强大的系统开发仍将继续。对于依赖模型迭代的商业公司来说，回到起点并非选项。如果永远无法确切知道模型是否完全对齐，实际问题就变成如何安全地控制和隔离日益强大的系统。前 OpenAI 安全研究员 Steven Adler 指出，目前还没有很好的方法对齐最强大的 AI 系统，但关于如何控制它们有更多共识，每家公司在这方面都还有很长的路要走。