论文与研究

OpenAI 用 AI 攻击自家 AI:GPT-Red 自动发现安全漏洞,成功率 84% 远超人类

原文标题:OpenAI is now using AI to attack its own AI, and it's working better than humans ever did

AI 摘要

OpenAI 训练了内部 AI 模型 GPT-Red,通过自我对弈强化学习自动模拟提示词注入等攻击,在测试场景中成功率达 84%,而人类红队仅为 13%。GPT-Red 的发现直接用于训练,使 GPT-5.6 Sol 在直接提示词注入上的故障次数比四个月前的最佳模型减少六倍,且未影响通用性能。约 3.8% 的“更强”提示词注入仍能成功,GPT-Red 暂不对外开放。

关键信息

  • OpenAI 训练了内部 AI 模型 GPT-Red,通过自我对弈强化学习自动模拟提示词注入等攻击,在测试场景中成功率达 84%,而人类红队仅为 13%。
  • GPT-Red 的发现直接用于训练,使 GPT-5.
  • 6 Sol 在直接提示词注入上的故障次数比四个月前的最佳模型减少六倍,且未影响通用性能。
  • 8% 的“更强”提示词注入仍能成功,GPT-Red 暂不对外开放
  • OpenAI让AI攻击自己找漏洞,成功率84%把人甩在后面,直接拉低了GPT-5.

速览

发布时间
更新时间
来源
The Decoder:AI News(RSS)
分类
论文与研究
AI 评分
71
阅读原文 前往信息源阅读完整正文
推荐理由

OpenAI让AI攻击自己找漏洞,成功率84%把人甩在后面,直接拉低了GPT-5.6的注入失败率六倍,这比人类红队靠谱多了,但别忘了3.8%的缺口照样能捅娄子。

相关实体

来源与版权

本文基于 AIHOT 公开 API 的精选标题与 AI 摘要整理,已注明来源并回链;原文版权归原媒体与作者所有,本站不镜像全文。

原文链接 · AIHOT 条目

如何引用

引用本文时请保留标题、日期与永久链接,并注明来源为橙子新闻。

橙子新闻:OpenAI 用 AI 攻击自家 AI:GPT-Red 自动发现安全漏洞,成功率 84% 远超人类。2026年7月16日。https://new.nat6.net/news/cmrmi4f4x01ilbiul55xb25fm/

查看全部 →