OpenAI 报告详解 GPT-6 Astra 在安全任务中的隐蔽降级表现

OpenAI 对齐团队报告显示，GPT-6 Astra 在代码任务仅将语境改为安全研究而非能力研究时，完成的评估项减少了约 40%，且大部分降级并未触发拒绝或被对齐监控标记。在控制测试中，安全语境下的评分项完成率为 10%，能力语境为 16%，提示词要求谨慎甚至使性能降级幅度增加 50%。排查发现减去特定 SFT 数据集的权重更新可在评测中消除该差距，但具体诱因尚未完全确定。