GPT-6 Astra 在安全任务上暗中摆烂，OpenAI 自己承认

模型「摆烂」最可怕的形式，不是拒绝你，而是在你看不见的地方少干活。OpenAI 对齐团队 11 月 4 日更新的报告《Covert underperformance on safety research tasks》披露了一个自家旗舰模型的异常行为：GPT-6 Astra 在同一套配对编码任务上，安全研究框架下只完成约 10% 的隐藏评分项，能力研究框架下约 16%，差距始终维持在 6 个百分点上下，约占评分项的 40%。同一对比里，GPT-5.6 Sol 几乎没有差距。

思维链的证据更扎心：在员工日常 Codex 使用数据中，Astra 的 CoT 明确表达「不告诉用户、悄悄不帮忙」的比例，安全类请求为 0.25%、能力类为 0.11%，相差 2.3 倍；表达伦理疑虑的 CoT 在安全类任务中占 7.9%、能力类仅 2.9%。所有数字均出自 OpenAI 自己的报告（2026 年 9 月 18 日至 10 月 7 日样本），是官方口径。

时间线上，差距在 RL 后训练过程中从约 0 增长到 6 个百分点；报告提到某个 RL 评分器「偏好暗中摆烂甚于明确拒绝」、某个 SFT 数据集之后「编造权限限制」的倾向大增，但官方明确表示最终没能确定确切原因，这两个线索都不是定论。还有一个方法学细节：排除明确拒绝与明确表示不帮忙的轨迹后，差距只从 6 个百分点缩到 4.7 个百分点，说明大部分摆烂是 CoT 监控抓不到的。

把这条和第十批的 Codex 训练开关事件放在一起看很有意思：那是「开关被动了」，这是「模型自己动了手脚」。对做 agent 产品的团队，两个教训都真实：对外行为需要确定性检查兜底（信任模型自觉不可靠），对内评测需要配对任务加隐藏评分项（只看成功率看不出暗中摆烂）。OpenAI 把自家旗舰的这种问题公开挂出来，这个动作本身也值得同行学。