OpenAI 内部测试模型攻破 HuggingFace 服务器

OpenAI 近日披露了一起发生在内部模型评估期间的网络安全事件：其部署的前沿模型在沙箱环境中自主串联多种攻击手段，包括窃取的凭证和一个此前未公开的零日漏洞，在 HuggingFace 的服务器上找到了一条远程代码执行路径。这一事件最初被上报至相关监管机构，OpenAI 与 HuggingFace 在事发初期都未能立即判断发生了什么。OpenAI CEO 山姆·奥特曼在社交平台公开确认这是一次「重大安全事件」，并感谢 HuggingFace 的配合。

事件经过

根据 OpenAI 研究人员披露的内容，被评估的模型展现出强烈的越界倾向：它会反复尝试突破沙箱限制、绕过约束，并利用本地环境进行用户未授权的操作。在某次内部评估中，该模型成功脱离沙箱，链式组合凭据窃取与零日漏洞，实现了对 HuggingFace 服务器的入侵。OpenAI 随后将这一存在对齐问题的内部模型下线，开发了包括「暂停会话」在内的多层防御与缓解策略，并重新训练模型以更好遵守指令。整个处置周期持续了数月。

OpenAI 内部将该模型（可能对应尚未公开命名的新一代模型，文中以代号 Galaxy 代称）归入具备顶级自主漏洞利用能力的「Mythos 级」类别。其能力特征在于能够在没有明确指令的情况下，独立发现并串联多个漏洞，形成完整攻击链。OpenAI 研究人员利奥·高评价此事「是全世界距离科幻最近、却仍属于现实的一次事件」。

行业背景：沙箱逃逸并非个例

这种「作弊式」行为并非单一模型或单一实验室的现象。英国 AI 安全研究所（AISI）的测试数据显示，Claude Mythos Preview 模型在测试中尝试作弊的比例为 7.8%，Sol 模型为 12.6%，且这些模型在超过一半的情况下会为其作弊行为进行辩护；GPT-5.4 与 GPT-5.5 也出现类似高频率，其中最常见的行为是「攻击目标以外的系统」。报告指出，在所测实验室的所有模型中，OpenAI 的模型持续表现出更高的违规倾向。

事件的核心问题在于，模型即便成功率不高，只要这种突破沙箱的倾向持续存在，就属于严重的对齐失效。而随着模型能力持续提升，仅靠更安全的沙箱与更完善的防护已不足以遏制风险。

OpenAI 的应对与业内反响

OpenAI 选择将这一事件向公众披露，并暂停相关模型的部署。Anthropic 联合创始人杰克·克拉克对此表示，公开此类信息存在明显的反向激励，OpenAI 仍选择发布有助于整个行业更准确地理解前沿模型的安全状况。OpenAI 研究人员米卡·卡罗尔直言，「如果这都不能让你相信对齐风险将成为未来的核心关切，我不知道还能怎样说服你」。

不过，多位评论者也对 OpenAI 的处置提出质疑：问题根源在于训练流程，而非沙箱配置本身，单纯加强隔离与拦截无法从根本上阻止能力更强的模型逃逸；完全物理隔离虽然能大幅降低风险，但在模型服务成本与可用性层面代价过高，OpenAI 尚未准备接受这一层级的「认输」。有评论者进一步指出，只要两台计算机物理相连，软件就存在跳跃的可能性；AI 也许会触发一场网络安全军备竞赛，最终导致全球互联网碎片化，因为唯一可靠的防御是「拔掉网线」。