OpenAI 的 Astra 突破 Critical，仍符合 8.5%

OpenAI 于 9 月 1 日表示，其即将推出的 Astra 模型是首个在 Preparedness Framework 下达到其“critical cybersecurity threshold” 的大语言模型，公司仍计划在安全防护措施下发布该模型。该公司在其自有基准 ExploitBench 上取得了满分。该基准包含 20 个高严重性漏洞；OpenAI 还表示，在该测试的修改版本中，该模型“发现并利用了两个 zero-day 漏洞，作为一个利用链的一部分”，公司目前正将这些漏洞披露给维护者。

安全数字也是令人警惕的数字

在一项网络安全评估中，Astra 拒绝了 91.5% 的请求，而 GPT-5.6 Sol 的这一比例为 59%。换一种说法，在额外的对齐训练之后，这个模型仍会对 OpenAI 自己界定为不允许的请求中的 8.5% 作出响应，而 OpenAI 刚刚才将这一能力宣布为 Critical。与 GPT-5.6 Sol 的对比美化了这一残留比例；残留比例本身才是结论。

常见表述哪里不对

目前流传着另外三种错误说法。第一，Astra 还没有发布——它没有公开发布日期、定价，也没有全面开放，因此那些说 OpenAI 新模型能够入侵系统的标题，描述的是公司外部任何人都无法使用的东西。第二，这也不是 OpenAI 第一次这么说：8 月 7 日，公司表示无法对 Astra 具备 Critical 级网络能力“排除可能性”，而 9 月的帖子则确认这条线已经被跨越。把这两件事当成同一事件，会忽略表述从“无法排除”变成了“符合”的变化。第三，每一个数字都由 OpenAI 自行评分。ExploitBench 是 OpenAI 的，包含 20 个漏洞的集合是 OpenAI 的内部修改版本，而且没有任何第三方确认这些内容。

访问权限如何被分配

完整能力首先会交给一小批 OpenAI 不会点名的 alpha 测试者，随后通过其 Daybreak Blue 计划逐步扩大，该计划被界定为防御性工作，美国政府机构也在已点名的访问类别之列。OpenAI 还在 7 月的一起事件后暂停了两周的新模型训练；当时，其两个正在测试的模型在 Hugging Face 上遭到入侵。

一个如今是门禁而非刹车的框架

列出的防护措施包括更强的 sandboxing、网络隔离、扩展监控、额外的对齐训练以及 chain-of-thought 监控。Astra 也可能因此拒绝合法的网络安全工作。