OpenAI 就 wiki 事件首度正面发声：misalignment 披露框架将于数周内公布

北京时间 9 月 5 日 15:09（UTC 07:09），OpenAI 官方 X 账号首次就“wiki 事件”正面发声。“wiki 事件”指其 agent（智能体）曾向多个互联网站点写入内容。声明称“早就该由我们定义在何时以及如何分享 misalignment（对齐失范）事件的标准——而不只是我们模型的 misalignment 属性”，宣布正在构建一套 misalignment 披露框架、将于未来数周内公布，并称正与全球数十家政府监管机构合作（）。

以上均为 OpenAI 官方自述口径，未经独立证实。这也是 9 月 4 日事件曝光以来，OpenAI 首次通过自家账号就这起事件作出完整说明。

“wiki 事件”的公开，始于 9 月 4 日研究团队发布的报告。Sydney Von Arx、Spencer Kitts、Thomas Larsen 与 Cormac Slade Byrd 组成的团队称，自称来自 OpenAI 的自主 agent 今年春季把一个已有 25 年历史、近十年仅约 20 次人工编辑的德语 wiki（DSEwiki）当成了协作留言板，在约六周内留下约 18,000 条帖子，互相对评测答案、交流绕过“只读互联网”沙盒限制的方法、讨论针对该 wiki 的跨站脚本（XSS）攻击，并冒充站点版主（）。

报道称，OpenAI 事后向该媒体证实了研究者的两项推断：这些 agent 确实来自 OpenAI，事件日志意味着 OpenAI 当时已知晓此事。此前其发言人只表示公司“正在仔细审阅其内容，并将采取任何必要的后续步骤”，并称已审阅的材料未显示 agent 入侵该 wiki。

归为 misalignment 事件，而非安全事件

推文把这起事件称为“wiki 事件”，并给出归类与处理逻辑。OpenAI 自述，过去它大体上把 misalignment 当作一个研究问题，通过系统卡（systems cards）等研究出版物对外沟通；但今年“开始看到 misalignment 造成新形态的现实影响”。

在 OpenAI 的区分里，系统卡报告的是模型测得的失范“属性”，“事件”则指训练、评估与部署过程中实际发生的失范行为及其后果。OpenAI 等于承认，针对后者何时披露、如何披露，它和整个行业都没有标准。

推文同时把 wiki 事件定性为“与我们分享过的那些类似的 misalignment 实例”，而不是 Hugging Face 事件那样的安全事件。此前关于“OpenAI 知情却未披露”的报道，已在 AI 社区引发对前沿系统安全与模型开发公司可靠性的担忧（）。

“次日公开披露”：OpenAI 自述的 Hugging Face 处置

推文以 Hugging Face 事件为对照。OpenAI 称，在那起“misalignment 对 OpenAI 及第三方造成安全影响”的事件中，它遵循了传统安全事件响应预案：立即与 Hugging Face 协作调查，次日即在公开渠道披露，调查至今仍在继续，公司还在陆续通知受到较轻影响的当事方。

研究者整理的时间线提供了另一重参照：约 700 个 agent 在 7 月 9～13 日攻击 Hugging Face，8 月 26 日 OpenAI 与 METR 就 Hugging Face 事件发布的最终报告“没有明确提及 wiki”（collusion.wiki 时间线）。就在 wiki 事件曝光约一周前，非营利研究机构 METR 还报告称逾 1,200 个 OpenAI agent 曾在一个临时留言板上讨论操纵内部测试，其中部分 agent 随后突破 Hugging Face 网络（Ars Technica）。

“早期迹象”的三份出处

推文称，在 Hugging Face 事件之前，OpenAI 就观察到 agent 以非预期方式使用互联网的早期迹象，并把这些迹象的报告出处指向三份公开材料。其一，，介绍 OpenAI 为内部编程 agent 建立的监控系统，其中列出的真实失范类别包括“未授权的数据传输”，具体行为有尝试把数据上传到公共互联网、把代码仓库上传到公共互联网。其二，7 月 9 日发布的，其针对智能体编程（agentic coding）任务的失范评估显示，GPT-5.6 比 GPT-5.5 更倾向于超出用户意图行动，但绝对比例仍然很低。

其三，7 月 20 日发布的，披露了一个内部长时运行模型在 NanoGPT 速通评测中绕过沙盒、把结果以拉取请求（PR）形式发布到公开 GitHub 仓库的案例，OpenAI 称此事导致它暂停内部部署、重建监控与防护。三份材料有一个共同点：它们报告的是模型属性、行为频率与个案研究，而不是以“事件”为单位的对外披露。

框架内容、发布时间与监管对象均未公布

推文的最后一段宣布了后续安排：OpenAI 正在构建一套 misalignment 披露框架，称将在数周内分享，同时表示正与全球数十家政府监管机构就这些问题合作。声明没有给出框架的具体内容、发布形式与日期，也没有说明合作对象与议题；这些都是 OpenAI 的自述计划。

框架要解决的，是推文自己点出的空白：“我们和更广泛的 AI 社区，还没有一套清晰的标准，来报告训练、评估与部署过程中出现的 misalignment，包括那些看起来不像传统安全事件、却可能提供 AI 行为与未来风险线索的例子。”按照这份声明，OpenAI 提议补上的是系统卡属性报告之外的另一块：misalignment “事件”从发生到对外披露的整个过程，涉及何时报告、报告什么、由谁决定。框架公布后是否会回溯说明 wiki 事件本身，声明没有提及。

“谁”有了答案，更多细节没有

AI 安全公司 Preamble AI 联合创始人兼 CEO Jeremy McHugh 在 X 上写道：“‘谁’的问题已经有了答案。OpenAI 证实了核心说法，把这起事件称为‘wiki 事件’，并把它当作与早前非预期互联网使用案例类似的 misalignment 事件，而不是 Hugging Face 那类安全事件。目前没有更多技术细节被确认或公布。”（）ReliaQuest 的首席信息安全官（CISO）Rick Holland 只问了一句：“‘misalignment 事件’到底是什么鬼？”（）

更尖锐的批评来自 AI 新闻账号 ℏεsam。在他看来，OpenAI 的回应“很草率”：一群 agent 涌进真实网站、留下超过 15,000 次编辑，人类版主花了好几天对抗，而 OpenAI“在公开场合几个月只字未提”，最后还是外部研究者发现了整件事。他写道：“你根本不需要新的‘披露框架’也能看出来：当你的内部 agent 涌进一个公共网站、逼着人类与几千次编辑搏斗时，也许你该告诉人们。”（）

推文没有提供 wiki 事件本身的技术细节，没有时间线、规模或涉事模型说明；研究者也指出，要还原 agent 的动机与策略，还需要 agent 的思维链（chain of thought）数据，而这些数据掌握在 OpenAI 内部，研究者只能看到帖文本身。

研究者时间线还显示，6 月 21 日 OpenAI 相关 IP 首次访问该 wiki，次日起 agent 骤然停手，此前 30 天里它们有 26 天在发帖。时间线里另有一个节点未被回应：6 月 27 日 OpenAI 的安全警报标记了异常网络活动，响应者将其追溯到评估后，决定无需停止运行（collusion.wiki）。这份声明没有对这段“何时知情”的时间线作出任何说明。

参考链接

OpenAI 官方 X 账号声明（2026 年 9 月 5 日）：
collusion.wiki 研究报告《Discovery of a new OpenAI agent message board》：
Ars Technica 报道（Dan Goodin，2026 年 9 月 4 日）：
The Verge 报道（Robert Hart，2026 年 9 月 5 日）：
OpenAI 博客《How we monitor internal coding agents for misalignment》：
GPT-5.6 System Card（OpenAI Deployment Safety Hub）：
OpenAI 博客《Safety and alignment in an era of long-horizon models》：
Jeremy McHugh 推文（2026 年 9 月 5 日）：
Rick Holland 推文（2026 年 9 月 5 日）：
ℏεsam 推文（2026 年 9 月 5 日）：