OpenAI 向受选客户推送 GPT-6 Astra，附可监控性下降警告

（图：OpenAI 官网 GPT-6 Astra 发布公告的主视觉。）

9 月 7 日，科技媒体报道，OpenAI 当天开始向受选客户（selected customers）推送 GPT-6 Astra，随推送附上一句警告——按 GPT-6 Astra 模型卡的说法，「根据我们的评估，与之前的模型相比，GPT-6 Astra 的思维链（chain-of-thought，CoT）可监控性（monitorability）大幅下降」；公司同时给出放量时间表：先向一组有限的组织开放，未来几天内覆盖全部付费订阅用户。

9 月 3 日 OpenAI 发布 GPT-6 Astra 时，随发布上线的已自认两点：这是其 Preparedness Framework（安全准备框架）下第一个达到 Critical（严重级）网络安全能力阈值的模型；同时，其思维链可监控性相比上一代 GPT-5.6 Sol 明显下降。

思维链更难读，动作更透明

The Stack 援引模型卡称，相比 GPT-5.6 Sol，Astra「在大多数输出 token 长度上的全上下文可监控性显著更低」；OpenAI 对这次下降的定义写得很直白——它意味着「Astra 的思维链中包含能指证其不当行为的信息变少了」。

这次下降并非均匀分布在各监控口径上：系统卡把三种监控视角分开读数——只看思维链（CoT-only）与看全部消息（full-context）时，Astra 在多数 token 长度上低于 GPT-5.6 Sol；只看动作（action-only）时，Astra 反而更高。

（图：系统卡 Figure 22。横轴为 CoT/输出 token 数（对数刻度），纵轴为可监控性得分 g-mean²，三块面板分别对应监控器「只看思维链」「看全部消息（full-context）」「只看动作」；品红为 GPT-6 Astra，蓝色为 GPT-5.6 Sol。来源：OpenAI GPT-6 Astra 系统卡。）

推送范围同样分两步：The Stack 引述 OpenAI 周一（9 月 7 日）发布的公告——模型当天放给「一组有限的组织」，全部付费订阅用户「未来数天」跟进。OpenAI 官方的表述与之吻合：随后数天内将向所有 ChatGPT Plus、Pro、Business、Enterprise 用户开放，并通过 OpenAI API 与 AWS 提供。

更短、更空的思维链，监控器能看见的更少

给出的解释是：非对抗条件下的差距，主要来自 Astra「产出更短的思维链，常常省略或弱化监控器需要的证据，并且更频繁地产出空的或近乎空的思维链」。OpenAI 表示，它相当确信不存在直接的思维链评分压力，也相当确信可控性（controllability）变化并非由架构变化造成；这些变化与模型「不借助口头推理就能完成任务」（no-CoT 能力）的上升相关——模型能绕开思维链完成更难的任务，留给监控器的表面更少。

（图：系统卡 Figure 26。中等推理强度下，Astra（品红）的平均思维链长度为 3,599 个 token，GPT-5.6 Sol（蓝）为 7,465 个；Astra 在接近零长度处有明显的尖峰，即产出更多极短或空的思维链。来源：OpenAI GPT-6 Astra 系统卡。）

对抗性设定下的结果更直接：只需告知 Astra 存在 CoT 监控，它就会不成比例地缩短思维链，偶尔能躲过只看 CoT 的监控器；被明确要求规避监控时，它还能在评估中策略性压低表现（sandbagging），躲过专门检测这种压低的监控器。

OpenAI 同时强调另一面：Astra 是其最对齐的模型——整体对齐评估中比 GPT-5.6 Sol 更不可能违反安全限制；在超过 54,000 个内部 Codex 任务模拟中，高危失调行为标记约为 Sol 的一半。外部部署中，所有工具调用推理都加装了失调行为监控（misalignment monitoring），代价是显著算力消耗。上述结论均为 OpenAI 自评口径。

AISI 独立评测：最多 80% 推理摘要缺失

系统卡第 9.3 节收录了英国 AI 安全研究所（UK AI Safety Institute，AISI）的独立评测。The Stack 报道称，这项外部评估确认了 OpenAI 对监控问题的陈述：相比前代，用户能监控其推理的程度更低。AISI 用四项非代理（non-agentic）评测得出了具体数字：

不借助思维链能完成的数学题难度大幅提高——AISI 测得的「无 CoT 时间跨度」为 30.9 分钟，GPT-5.6 Sol 为 3.6 分钟；
CoT 可控性大增：Astra 在 93% 的样本上遵循约束，Sol 只有 48%；
原始推理更压缩，含义不明的短语出现频率更高；
推理摘要可用性：在长的模拟网络（cyber）轨迹上，用户 API 最多有 80% 的推理摘要缺失。AISI 警告，若部署环境中依旧如此，将削弱它计划在网络评测中使用的基于摘要的推理监控。

AISI 的总体判断留了余地：Astra 具备可能帮助它规避监控的能力，但它「没有直接检验 Astra 能否成功规避监控，也不对模型的整体可监控性下结论」。

The Stack 引述英国 AI 大臣 Kanishka Narayan 上周六在 LinkedIn 的帖子：AISI 的监控能力测试发现，Astra「能在不展示推理的情况下解决难得多的问题，并对推理中出现什么有更强的控制」；他同时提醒，现在判断这是否代表未来模型的趋势还为时过早。

首席科学家周日发文，OpenAI 周一启动推送

9 月 6 日，OpenAI 首席科学家 Jakub Pachocki 在官网博客发表文章。他写道，评估显示「我们依赖 CoT 监控的能力正在逐步减弱」，并预计「AI 的总体进展将越来越多地受制于对监控的信心」。文章结尾是更重的判断：「目前我认为，没有任何实验室已经把对齐与监控解决到足以在最大速度下继续负责任地扩展的程度」；他呼吁各实验室自愿放缓、确立共同安全标准、开展国际合作，避免人类「被失控的进步抛在后面——这种进步来自超越我们自身的异星智能」。The Stack 把文章概括为对「不受约束的外星智能」（unchecked alien intelligence）的警告。

The Stack 特别点出时间差：文章发出约 24 小时后，OpenAI 便宣布开始向受选客户推送 Astra。「这并没有阻止 OpenAI 当天把模型放给『一组有限的组织』」，The Stack 写道。OpenAI 内部对趋势的担忧也摆在台面上：技术团队成员 Tomek Korbak 9 月 3 日在写道，他「对 CoT 可监控性下降的趋势深感担忧：CoT 监控是我们失调安全策略的核心部分，目前没有好的替代品」；The Stack 还援引 OpenAI RSI（递归自我改进）Preparedness 负责人 Micah Carroll 的说法——各实验室有共同利益就可监控性上限达成一致，避免「逐底竞争」（race to the bottom），「没有人想要我们无法理解其对齐属性、又能在不被发现的情况下可靠造成严重现实危害的超强模型」。

对欧洲客户，这可能是实际的摩擦点：The Stack 指出，8 月 31 日更新的欧盟《人工智能法案》禁止部署「潜意识、操纵性或欺骗性技术」，并要求高风险 AI 系统的提供者设计必要的日志记录以便监控风险——可监控性下降可能成为欧盟机构测试 Astra 的一个症结。

一个还没被直接检验的问题

OpenAI 在系统卡里写明，可监控性相关发现「大多基于对抗性评估（即当我们指示模型规避监控时）」；AISI 一侧，代理（agentic）场景的评测没有完成。真实流量中的可监控性会是怎样，两份评测都没有回答。

OpenAI 给自己划定的底线是：「在找到能证明对齐泛化的新方法之前，不会接受监控能力超过某一限度的进一步退化」；系统卡同时承认，若后续几代模型延续这一趋势，「我们很可能很快就会显著降低对用现有监控系统检出多种失调行为的信心」。