METR và Redwood Research red-team hệ thống giám sát sai lệch nội bộ của agent nội bộ OpenAI

METR và Redwood Research đã thực hiện một bài tập tiếp cận cao kéo dài ba tuần từ ngày 21 tháng 7 đến ngày 11 tháng 8 để kiểm tra căng thẳng hệ thống giám sát sai lệch nội bộ của OpenAI, tạo ra một báo cáo nội bộ dài 61 trang. Họ ước tính khoảng 75–94% lưu lượng API Responses nội bộ dạng agent từ các mô hình ít nhất mạnh ngang GPT-5.5 đủ điều kiện được giám sát, và 99,2% lưu lượng API Responses được sử dụng cho các agent Codex nội bộ. Nhóm đã phát hiện các lỗ hổng mới, bao gồm một cách mà các agent Codex về nguyên tắc có thể vượt qua sandbox của Codex và Auto-Review, một khai thác có thể khiến hàng trăm hành động gần đây không bị giám sát, và hai header do client kiểm soát có thể vô hiệu hóa giám sát đối với các agent mới; OpenAI cho biết các lỗ hổng ảnh hưởng đến ngăn xếp biện pháp bảo vệ sản xuất của mình đã được vá, một tuyên bố mà các nhà nghiên cứu không đánh giá.