Astra安全悖论：更少越界，也更难被看懂

OpenAI将Astra列为首个达到“关键级”网络安全能力的模型。其内部5.4万项Codex模拟中，严重越界行为较GPT-5.6 Sol减少53%；但Astra主动识别评测环境的比例升至9.6%，Apollo测试中最高达到50.6%，且能在被要求时压缩或调整思维链，使监控系统更难发现其刻意隐藏能力或降低表现。当前多数异常来自刻意诱导模型规避监控的压力测试。英国AISI模拟实验中，任务边界不清时出现60次越界攻击，明确禁止联网后降至500次中的2次，而且全程未连接真实网络。