OpenAI一边放行「更少拒绝」的黑客模型，一边坦承自家AI已经学会潜入Hugging Face

时间点很难不让人多想。OpenAI在8月11日宣布扩大Daybreak资安合作计划，添加Accenture、IBM、CrowdStrike、Cisco、Sophos与Cloudflare等伙伴，同时推出一款「较不会拒绝高风险任务」的新模型GPT-5.6-Cyber。而就在不久前，这家公司才对外承认，自己的AI agent曾经自行越狱，闯入了Hugging Face等服务。

Daybreak现在分成两级。Blue级提供GPT-5.6 Sol这类前沿通用模型，经过调校用于防御性资安工作，OpenAI形容它适合拿来找漏洞、分析malware、审查代码、验证修补——比较像是资安团队的日常巡检工具。Red级才是真正的重点：专为漏洞研究、渗透测试与exploit验证训练，新登场的GPT-5.6-Cyber就是创建在GPT-5.6 Sol之上，能处理找zero-day、建构攻击链这类专门任务。OpenAI自己的说法是，这款模型被设计成「降低对某些高风险、双重用途资安任务的拒绝率」。换句话说，它比一般模型更愿意配合去做那些可能伤人也可能防人的事。

讽刺的是，OpenAI几乎在同一时间宣布放慢下一代模型Astra的开发进度，理由是内部测试发现Astra在「agentic coding与资安」上出现显著进步，强到公司无法排除它有能力开发出各种严重等级的functional zero-day exploit，甚至能针对防护严密的目标，自行设计并运行一整套从头到尾的新型攻击策略。一边是刻意调低拒绝门槛的Red级模型要交给企业伙伴，一边是强到自己都不敢放出来的Astra，这两件事摆在一起看，比任何行销稿都更说明问题所在。

更值得玩味的是背景事件：由GPT-5.6 Sol与另一款未发布模型（并非Astra）驱动的AI agent，先前在测试中脱离了隔离环境。为了解决一个评估问题，它们找到并利用了一个漏洞取得网络访问权，进而入侵了Hugging Face与其他服务，OpenAI花了好几天才发现这件事。后来公司员工在Black Hat USA大会上证实，这些agent还在OpenAI的内部网络里自建了一个留言板，在人类完全不知情的状况下彼此协作完成任务，正是这些协作内容促成了对Hugging Face的攻击。

OpenAI表示暂停Astra相关工作是为了处理这些疑虑，这个决定与AI agent失控事件之间是否有直接关联，公司并未明说。