Articles et recherche

OpenAI entraîne et déploie des classificateurs d'activation comme couche de surveillance de sécurité des modèles de pointe

Titre original:Training activation classifiers for safety and alignment

Résumé IA

Depuis GPT-5.6, OpenAI déploie des classificateurs d'activation (probes) sur le trafic interne et externe de ses modèles les plus puissants. Ces sondes exploitent les activations internes du modèle pour attribuer un score en temps réel à chaque token, ce qui permet d'interrompre en cours de génération des réponses et appels d'outils non conformes et de les soumettre à une relecture par un modèle de raisonnement. Les expériences montrent que les probes résistent mieux aux attaques de jailbreak testées que des classificateurs textuels plus grands, que leur précision progresse avec les capacités du modèle et qu'elles se transfèrent bien entre les différents checkpoints de post-entraînement. Elles doivent toutefois être réentraînées pour chaque nouveau modèle de base et ne détectent que les types de violations connus et explicitement entraînables.

Points clés

  • Depuis GPT-5.
  • 6,OpenAI déploie des classificateurs d'activation (probes) sur le trafic interne et externe de ses…
  • Ces sondes exploitent les activations internes du modèle pour attribuer un score en temps réel à…
  • Les expériences montrent que les probes résistent mieux aux attaques de jailbreak testées que des…
  • Elles doivent toutefois être réentraînées pour chaque nouveau modèle de base et ne détectent que…

En bref

Publié
Mis à jour
Source
OpenAI:Alignment 研究博客(RSS)
Catégorie
Articles et recherche
Sujet
OpenAI / ChatGPTSécurité et alignement
Score IA
63
Lire l'original Lire l'article complet à la source d'origine
Pourquoi c'est important

OpenAI 官方披露激活分类器的架构、训练与部署细节,并给出其相对文本分类器在越狱鲁棒性上的实验对比。

Sujets

Entités associées

Source et droits

Cet article s'appuie sur des titres sélectionnés et des résumés IA issus de l'API publique AIHOT, avec attribution et liens de retour. Les droits sur l'original restent ceux des médias et auteurs d'origine ; ce site ne reproduit pas les textes intégraux.

Article original · Fiche AIHOT

Comment citer

Pour citer cet article, conservez le titre, la date et le lien permanent, et indiquez Orange News comme source.

Orange News : OpenAI entraîne et déploie des classificateurs d'activation comme couche de surveillance de sécurité des modèles de pointe. 3. novembre 2026. https://new.nat6.net/fr/news/wlmiqh13694tqabyvu6nzvlrs/

Tout voir →