SafetyKit 如何用 OpenAI GPT-5 扩展风险智能体
SafetyKit 借助 OpenAI GPT-5 提升内容审核与合规执行能力，在准确率上超越传统安全系统。该方案用于扩展风险智能体，实现更高效的内容安全治理。
#安全/对齐
#安全/对齐
今日 5 条OpenAI NewsAI 评分2020
OpenAI NewsAI 评分4242 OpenAI 研究：语言模型为何会产生幻觉
OpenAI 新研究解释了语言模型产生幻觉的原因，并指出改进评测方法可以提升 AI 的可靠性、诚实性与安全性。
OpenAI NewsAI 评分3838 OpenAI 为 ChatGPT 构建更实用的体验：家长控制与敏感对话转由推理模型处理
OpenAI 宣布与专家合作，为 ChatGPT 青少年用户加强保护并引入家长控制功能，同时将敏感对话路由至推理模型处理。
OpenAI NewsAI 评分4040 OpenAI 就 Model Spec 征集超 1000 人意见，探索集体对齐
OpenAI 面向全球 1000 多人调查了 AI 应如何行事，并将其观点与自家 Model Spec 进行对比。这项"集体对齐"工作旨在让 AI 默认行为更好地反映多元的人类价值观与视角。
OpenAI News精选AI 评分6060 OpenAI 与 Anthropic 公布联合安全评估结果
OpenAI 与 Anthropic 公布首次联合安全评估的结果，双方互相测试对方模型在失准、指令遵循、幻觉、越狱等方面的表现。评估同时呈现了进展、挑战，以及跨实验室合作的价值。
推荐理由：两家头部实验室互相测试对方模型的对齐与越狱表现，读者可了解跨实验室安全评估的做法与发现。
OpenAI NewsAI 评分2222 OpenAI 谈如何为处于心理或情绪困扰中的用户提供安全支持
OpenAI 发文阐述其对经历心理或情绪困扰用户的安全考量，并说明当前系统的局限以及正在进行的改进工作。
OpenAI NewsAI 评分5858 OpenAI 在 GPT-5 中引入 safe-completions 安全训练方法
OpenAI 在 GPT-5 中采用新的 safe-completions 方法，取代此前的硬拒绝策略，转向以输出为中心的安全训练。该方法旨在同时提升 AI 回复的安全性与有用性，用于处理双用途提示词。
OpenAI NewsAI 评分3838 OpenAI 评估开放权重 gpt-oss 的最坏情况前沿风险
OpenAI 研究发布 gpt-oss 的最坏情况前沿风险，提出"恶意微调"（MFT）方法，尝试通过微调让 gpt-oss 在生物学和网络安全两个领域达到尽可能强的能力。
OpenAI NewsAI 评分88 OpenAI 谈 ChatGPT 的“设计即知识自由”
OpenAI 称 ChatGPT 的设计目标是实用、可信且可适配，让用户能将其打造成自己的工具。该表述以“设计即知识自由”为标题，强调产品在可定制性上的取向。
OpenAI NewsAI 评分3535 OpenAI 研究错误回答训练如何导致模型失准泛化
OpenAI 研究发现，用错误回答训练语言模型会引发更广泛的失准行为，并识别出驱动这一行为的内部特征，该特征可通过极少量微调逆转。
OpenAI NewsAI 评分3030 OpenAI 如何为生物学领域的未来 AI 风险做准备
OpenAI 正在主动评估先进 AI 在生物学和医学领域的能力，并实施防护措施以防止滥用。该公司指出，先进 AI 虽能变革生物学与医学，但也会带来生物安全风险。
OpenAI NewsAI 评分4242 OpenAI 推出对外协调漏洞披露政策
OpenAI 发布对外协调漏洞披露政策（Outbound Coordinated Disclosure Policy），规范其如何负责任地报告第三方软件中的漏洞。该政策强调诚信、协作与大规模主动安全。
OpenAI NewsAI 评分3636 OpenAI 发布 2025 年 6 月 AI 恶意使用报告
OpenAI 发布最新报告，通过案例研究披露其检测和阻止 AI 恶意使用的方式。
OpenAI NewsAI 评分5252 OpenAI 封禁与中国相关网络行动 Vixen 和 Keyhole Panda 的账号
OpenAI 封禁了与公开归因于 PRC 的威胁行为者相关的账号，这些账号利用 AI 辅助漏洞研究、脚本编写、翻译和运营排障。
OpenAI NewsAI 评分4242 OpenAI 封禁利用 AI 生成菲律宾政治评论的账号
OpenAI 封禁了一批利用 AI 在社交平台生成菲律宾政治及公职人员相关评论的账号。这些账号被用于在多个社交平台上批量发布政治评论内容。
OpenAI NewsAI 评分4242 OpenAI 封禁与伊朗相关 STORM-2035 影响力行动关联账号
OpenAI 封禁了与疑似伊朗关联的 STORM-2035 行动相关的账号，该行动利用 AI 生成针对美国、英国、爱尔兰和委内瑞拉政治的影响力内容。
OpenAI NewsAI 评分4848 OpenAI 封禁利用 AI 生成美国政治内容的中国来源账号
OpenAI 封禁了一批中国来源账号，这些账号利用 AI 生成美国政治内容，并研究美国人物、运动及在线社群。
OpenAI NewsAI 评分4242 OpenAI 封禁利用 AI 开发恶意软件的俄语账号
OpenAI 封禁了一批俄语账号，这些账号利用 AI 构建恶意软件、改进 loader 并排查网络工具问题。相关行动代号为 "ScopeCreep"。
OpenAI NewsAI 评分4040 OpenAI 封禁利用 AI 生成批评台湾网红帖文的账号
OpenAI 封禁了一批利用 AI 生成帖文、批评一名台湾社交媒体网红及相关美国话题的账号。该行动被命名为“Sneer Review”，涉及中国来源的影响力活动。
OpenAI NewsAI 评分4040 OpenAI 封禁疑似源自柬埔寨的 AI 辅助任务诈骗账号
OpenAI 封禁了一批疑似源自柬埔寨的账号，这些账号利用 AI 支持诈骗流程，目标为英国用户。该行动代号“Wrong Number”，针对的是 AI 辅助的任务型诈骗。
OpenAI NewsAI 评分5050 OpenAI 封禁利用 AI 生成德语政治内容的俄罗斯相关账号
OpenAI 封禁了一批疑似源自俄罗斯的账号，这些账号使用 AI 生成关于乌克兰、NATO 及德国国内议题的德语政治内容。相关行动被命名为“Helgoland Bite”。
OpenAI NewsAI 评分4040 OpenAI 封禁利用 AI 进行社会工程与影响力活动的账号
OpenAI 封禁了一批利用 AI 从事社会工程、监控主题研究和针对批评者的影响力活动的账号。
OpenAI NewsAI 评分4242 OpenAI 封禁利用 AI 伪造远程求职材料的欺诈性就业计划账号
OpenAI 封禁了一批与疑似欺诈性就业计划相关的账号，这些账号利用 AI 生成远程职位申请材料。该计划被指具有潜在欺诈性质。
OpenAI NewsAI 评分4242 OpenAI 发布 HealthBench：面向医疗 AI 的评估基准
OpenAI 推出医疗 AI 评估基准 HealthBench，在真实场景中评测模型表现。该基准由 250+ 位医生参与构建，旨在为医疗领域的模型性能与安全性提供统一标准。
OpenAI NewsAI 评分4242 OpenAI 深入复盘模型谄媚问题：错在哪里、将做哪些改变
OpenAI 就模型谄媚（sycophancy）问题发布进一步说明，复盘了问题成因并列出后续调整计划。此前相关发现暴露出模型在迎合用户倾向上的偏差，此次披露聚焦具体失误环节与将要推进的改动。
Hugging Face Blog精选AI 评分6262 Meta 发布 Llama Guard 4 与 Llama Prompt Guard 2
Meta 发布 Llama Guard 4，一个从 Llama 4 Scout 剪枝而来的 12B 稠密多模态安全模型，可评估纯文本和图文输入，覆盖 MLCommons 定义的 14 类危害及代码解释器滥用，可在单张 24GB 显存 GPU 上运行。
推荐理由：Meta 发布 12B 多模态安全模型与两款提示注入分类器，并给出可直接运行的 transformers 示例。
OpenAI NewsAI 评分4040 OpenAI 更新 Preparedness Framework
OpenAI 发布更新版 Preparedness Framework，用于衡量并防范前沿 AI 能力带来的严重危害。该框架聚焦前沿 AI 能力可能造成的严重风险，并给出相应的测量与防护方法。
Hugging Face BlogAI 评分4242 Protect AI 与 Hugging Face 合作半年：扫描 447 万个模型版本，发现 35.2 万个安全问题
Protect AI 与 Hugging Face 合作半年，截至 2025 年 4 月 1 日已扫描 Hugging Face Hub 上 141 万个仓库中的 447 万个模型版本，在 5.17 万个模型中识别出 35.2 万个不安全或可疑问题。
OpenAI NewsAI 评分1515 OpenAI 谈通往 AGI 路上的安全建设
OpenAI 表示正主动适应安全挑战，将全面的安全措施直接构建进其基础设施和模型中，以应对通往 AGI 道路上的风险。
OpenAI NewsAI 评分4040 OpenAI 与 MIT Media Lab 合作研究 ChatGPT 情感使用与情绪健康
OpenAI 与 MIT Media Lab 开展研究合作，探索 ChatGPT 情感使用与情绪健康的早期研究方法。
OpenAI NewsAI 评分5858 OpenAI 研究用思维链监控检测前沿推理模型的作弊行为
OpenAI 发布研究，展示用 LLM 监控前沿推理模型的思维链可以检测其利用漏洞的作弊行为。研究同时发现，惩罚这些“坏想法”并不能阻止大多数不当行为，反而会让模型隐藏自己的意图。
Hugging Face BlogAI 评分3232 Hugging Face 与 JFrog 合作提升 AI 模型安全透明度
Hugging Face 宣布与 JFrog 合作，将 JFrog 扫描器集成到 Hugging Face Hub，用于检测模型权重中的恶意代码。相比仅对模块名做模式匹配的 picklescan，JFrog 会解析并分析模型权重中的代码，以减少误报，并覆盖 pickle 之外的更多文件格式。所有公开模型仓库在推送文件后将自动被扫描，无需额外操作。
OpenAI News精选AI 评分6262 OpenAI 发布 deep research 系统卡
OpenAI 发布 deep research 系统卡，说明该功能发布前开展的安全工作，包括外部红队测试、依据 Preparedness Framework 进行的前沿风险评估，以及针对关键风险领域所构建的缓解措施概览。
推荐理由：OpenAI 公开 deep research 发布前的安全评估流程，可了解外部红队与 Preparedness Framework 如何落地。
OpenAI NewsAI 评分4040 OpenAI 封禁利用 AI 干预加纳 2024 大选的账号
OpenAI 封禁了一批利用 AI 生成文章、帖子和虚假互动、围绕加纳 2024 年总统选举开展秘密影响力行动的账号。
OpenAI NewsAI 评分4242 OpenAI 封禁与朝鲜关联的 AI 辅助入侵研究账号
OpenAI 封禁了一批可能与公开报道的朝鲜（DPRK）关联威胁行为者有关的账号，这些账号利用 AI 研究入侵工具、钓鱼、恶意软件及加密货币攻击目标。
OpenAI NewsAI 评分5050 OpenAI 封禁疑似中国来源的 AI 影响力运营账号
OpenAI 封禁了一批疑似中国来源的账号，这些账号利用 AI 生成英文社交帖子和西班牙语文章。该行动被命名为“Sponsored Discontent”。
OpenAI NewsAI 评分3636 OpenAI 封禁柬埔寨来源的 AI 虚假评论招聘诈骗账号
OpenAI 封禁了一批疑似来自柬埔寨的账号，这些账号利用 AI 翻译消息，实施虚假评论招聘诈骗，要求受害者支付费用。
OpenAI NewsAI 评分4242 OpenAI 封禁疑似朝鲜 IT 工作者欺诈招聘账号
OpenAI 封禁了一批可能被用于协助欺诈性就业计划的账号，该计划带有公开报道过的朝鲜相关 IT 工作者活动特征。
OpenAI NewsAI 评分5050 OpenAI 封禁疑似中国来源账号：利用 AI 起草监控工具方案
OpenAI 封禁了一批疑似中国来源的账号，这些账号利用 AI 起草监控工具推销方案、分析文档并调试代码。
OpenAI NewsAI 评分4040 OpenAI 封禁柬埔寨来源的 AI 辅助"杀猪盘"诈骗账号
OpenAI 封禁了一批疑似来自柬埔寨的账号，这些账号利用 AI 翻译和生成恋爱、投资类诈骗对话，实施"杀猪盘"式诈骗。