新研究显示 AI 审计模型能发现多数 agent 不当行为但误报会加重人工复核负担
Andy Hall 的新研究显示，AI 审计模型能发现 agent 日志中的多数不当行为，但误报会随检出要求上升。在 5% 误报率下，GPT-5 能发现近 98% 的 reward hacking 案例，Gemini 3.8 Flash 仅发现约一半，要求 99% 检测 unsafe actions 时最佳模型 GPT-6 Astra 的误报率仍升至 15%。
#OpenAI
The DecoderAI 评分6565
The DecoderAI 评分6969 Vals AI 基准显示开放与封闭模型网络攻击能力差距持续缩小
Vals AI 的 CyberOffense 基准显示，AI 智能体能在无人工协助下自主攻击模拟企业网络，开放与封闭模型的网络攻击能力差距正在缩小。GPT-6 Sol Daybreak 完成 80.8% 目标，开源权重模型 DeepSeek V4.1 Flash 1017 达到 72.8%，单次运行约 $3，而前者约 $22。