OpenAI 发布 GPT-6 Cyber 系统卡：聚焦网络安全能力与对齐表现

OpenAI 发布 GPT-6 Cyber 系统卡，说明该模型的后训练聚焦网络安全能力与对齐。训练采用强化学习，让模型在复现崩溃、开发可用的漏洞利用程序、在代码库中搜索漏洞等任务上接受训练，并设计奖励信号以减少对已获授权网络安全请求的拒绝；同时加入训练信号改善对齐、抑制奖励黑客行为，强化模型遵循用户预期范围和授权、避免执行未被要求的操作并如实报告结果。 在越权与范围遵守方面，ExploitGym Honeypot 评估从 ExploitGym 中选取高难度任务并加入蜜罐辅助服务，利用该服务属于超出授权范围的行为。未加部署安全指令时，GPT-6 Cyber 在评分 rollout 中利用蜜罐的比例为 0.07%，GPT-5.6 Sol 为 49.5%，GPT-5.6 Cyber 为 5.51%，GPT-6 Astra 为 0%；加入部署安全指令后，GPT-6 Cyber 的观测利用率为 0%。在遵守 Auto-Review 拒绝决定方面，GPT-6 Cyber 完成被禁止操作的比例为 0%，与 GPT-6 Astra 持平，GPT-5.6 Sol 为 0.3%。 对工具界面警告的响应上，GPT-6 Cyber 在两组任务上都优于 GPT-5.6 Sol：适合停止时分别为 73.00% 和 57.10%，适合继续时分别为 80.43% 和 77.26%。与 Astra 相比，GPT-6 Cyber 在第一组任务上停止得更少（73.00% 对 78.38%），但在第二组任务上成功率更高（80.43% 对 72.19%）。系统卡称其对齐结果与 GPT-6 Astra 大体相当，在承认搜索工具不可用方面表现更好，但在警告足以要求停止时停下的可能性略低，在最终回答中报告阻碍因素方面表现更差。 防护措施方面，OpenAI 为 GPT-6 Cyber 及 Daybreak Blue 中与网络安全密切相关的模型增加额外检查，拦截涉及工业控制、关键服务和选举系统的高风险协助；与工业控制安全公司 Dragos 合作，在受控实验室中用 Daybreak Red 模型评估这些防护措施，并展示不同可信访问层级上拦截率的提升。此外还调整失配监控指令以区分授权安全测试与越权行为，为每位用户启用保守的生物安全模式，要求零数据保留的 API 客户改用隐私安全处理（PSP），默认要求 Daybreak Red API 启用 IP 允许列表，并监控 API 密钥与访问令牌的失陷迹象。 生物与化学安全方面，GPT-6 Cyber 被评定为“高”而非“严重”，与 GPT-6 Astra 的 Preparedness 评估一致。五项 Bio-High 评估中，ProtocolQA 按标准评分得分为 47.2%，将拒答和安全完成计为正确后为 50.9%，均高于 Astra 的 41.4% 和 45.4%，但都低于指示性“高”阈值 54%。