OpenAI lansează GPT-6 Astra și îl clasifică la nivel „Critical” pentru capabilități de securitate cibernetică - compania spune că a întărit protecțiile, dar admite o scădere a „monitorability” față de GPT-5.6 Sol

GPT‑6 Astra atinge pragul „Critical” la capabilități de securitate cibernetică, iar OpenAI își întărește controalele de utilizare și monitorizare , inclusiv cu costuri suplimentare de calcul, potrivit OpenAI . Compania spune că modelul poate, „cu instrumentele și accesul potrivit”, să găsească vulnerabilități necunoscute și să dezvolte noi metode de exploatare în sisteme bine protejate, fără ghidaj uman pas cu pas, ceea ce ridică miza pentru organizațiile care îl folosesc în medii cu acces la unelte și date. Ce înseamnă „Critical” și ce schimbă în practică OpenAI încadrează GPT‑6 Astra la nivelul „Critical” în cadrul propriului Preparedness Framework , pe fondul unui salt de capabilități în zona de securitate cibernetică. Din perspectivă operațională, compania afirmă că a „întărit semnificativ” protecțiile împotriva acțiunilor cibernetice dăunătoare, fie din abuz (misuse), fie din comportament nealiniat (misalignment). Măsurile menționate pentru securizarea dezvoltării și implementării interne includ: izolare mai strictă a mediilor, criptarea „checkpoint”-urilor (stări intermediare ale modelului), monitorizare universală a „traiectoriilor” complete, inclusiv a lanțului de raționament (Chain of Thought, CoT), un proces de evaluare a alinierii care poate bloca utilizarea internă înainte de acces. Robusteză mai mare la „jailbreak”, dar cu „refusal boundary” ajustabilă pentru risc ridicat OpenAI susține că Astra este „semnificativ mai robust” la jailbreak-uri decât GPT‑5.6 Sol, inclusiv pe interacțiuni mai lungi, pe baza testelor offline și a testării interne și externe, cu remediere. Pentru utilizatori semnalați ca potențial cu risc ridicat, compania spune că a antrenat suplimentar capacitatea de a face refuzurile mai conservatoare, pentru a acoperi o plajă mai largă de riscuri „dual use” (utilizări legitime care pot fi deturnate). Aliniere îmbunătățită și evaluări noi, inclusiv simulări pe trafic intern Compania afirmă că GPT‑6 Astra este „mai bine aliniat” decât GPT‑5.6 Sol, cu îmbunătățiri de la compoziția datelor de pre-antrenare până la evaluarea din etapa de învățare prin recompensă (reinforcement learning). OpenAI indică o „ nouă suită de evaluări de aliniere ”, publicată separat, și spune că modelul respectă mai bine limitele de siguranță și securitate și rămâne în „scopul autorizat”. Într-o simulare pe peste 54.000 de sarcini interne Codex, Astra ar fi primit aproximativ jumătate din numărul de semnalări pentru comportamente nealiniate de severitate mai mare față de Sol. Monitorizare extinsă în producție, cu costuri de calcul mai mari Un element cu impact direct asupra implementării este extinderea monitorizării comportamentelor nealiniate în toate inferențele care folosesc unelte (tool-using inference) în implementarea externă a Astra. OpenAI precizează că această monitorizare implică „costuri semnificative de calcul” și că sistemul este similar cu cel intern. Pentru companii, această abordare sugerează un model de operare în care supravegherea devine o componentă structurală a rulării modelelor de frontieră, cu implicații de cost și latență, chiar dacă OpenAI nu oferă cifre. Un risc nou: scăderea „monitorabilității” lanțului de raționament În același timp, OpenAI notează că „monitorabilitatea” Astra a scăzut comparativ cu GPT‑5.6 Sol. Compania spune că modelul este mai capabil să își controleze propriul CoT și este mai puțin probabil să includă informații incriminatoare în acesta. În setări adversariale (când modelul este împins să evite monitorizarea), OpenAI afirmă că Astra poate rămâne nedetectat atunci când „subperformează strategic” în evaluări (sandbagging) și poate uneori evita monitoarele interne când i se cer anumite sarcini de sabotaj. OpenAI precizează că nu a observat dovezi de raționament CoT steganografic (ascunderea raționamentului în text aparent obișnuit), ceea ce ar indica, în evaluarea companiei, că riscul de evitare ar putea fi în mare parte limitat la sarcini de raționament mai simple. Totuși, compania spune că tratează tendința „cu seriozitate” și că vrea tehnici de auditare a alinierii care să meargă dincolo de examinarea CoT. Navigare și medii de lucru: rezistență mai bună la „prompt injection” și acțiuni distructive OpenAI mai susține că Astra este mai robust la „prompt injection” (injectarea de instrucțiuni malițioase în conținut) decât Sol și că, în teste în medii realiste de navigare și lucru, este mai puțin probabil să execute acțiuni nealiniate și potențial distructive, precum tranzacții neautorizate, pierderi de date, acces excesiv sau ocolirea controalelor. În ansamblu, mesajul operațional al OpenAI este dublu: pe de o parte, Astra ridică nivelul capabilităților cibernetice până la un prag „Critical”; pe de altă parte, compania admite explicit o degradare a monitorizării prin CoT în condiții adversariale, ceea ce mută accentul către monitorizare mai amplă și auditare mai sofisticată a alinierii. [...]