OpenAI：GPT-5.6 Sol 提示注入抗性提升 6 倍

OpenAI 近日通过官方 X 账号披露，其新版模型 GPT-5.6 Sol 在抵御提示注入攻击（prompt injection）方面取得显著进展。该模型采用一种被称为「GPT-Red」的对手模型进行对抗训练，官方表示 GPT-5.6 Sol 是迄今对提示注入「最具韧性」的模型，失败率较四个月前的最佳生产模型降低约 6 倍。

对抗训练机制

OpenAI 在训练阶段引入 GPT-Red 作为红队对手，专门生成提示注入样本。为评估模型的真实鲁棒性，团队在测试时回放了 GPT-Red 若干最强攻击——这些样本在训练中并未出现。OpenAI 表示，这种「训练时见过类似分布、测试时面对未见攻击」的设置，比单纯用相同攻击进行训练更能反映模型的泛化能力。

关键指标

• 对比对象：四个月前 OpenAI 最佳生产模型
• 提升幅度：提示注入场景下失败次数减少约 6 倍
• 测试方法：回放 GPT-Red 未在训练中暴露过的最强攻击集
• 模型定位：被官方称为「迄今对提示注入最具韧性的模型」

安全背景

提示注入长期以来被视为大模型应用落地的核心安全风险之一：攻击者可通过构造输入绕过系统指令、泄露数据或诱导模型执行未授权操作。OpenAI 此次披露的方法延续了「以模型对抗模型」的自动化红队思路，即用一个专门优化的攻击模型持续生成高难度样本来锤炼目标模型的鲁棒性。

待补充信息

原文信息较为简略，尚未公布 GPT-5.6 Sol 的完整参数规模、上线时间、API 可用性，以及在不同类型注入攻击（如间接注入、工具调用劫持等）下的细分表现。后续若有更详细的技术博客或论文发布，可进一步评估其方法论的普适性。