OpenAI训练AI攻击自家模型，成功率84%远超人类

OpenAI 公布自动化红队模型 GPT-Red。它通过自我博弈学习设计提示注入攻击，再把找到的漏洞用于训练 GPT-5.6。GPT-Red 只供内部使用，不会对外开放。在一组未参与训练的新场景中，GPT-Red 攻击 GPT-5.1 的成功率达到 84%，人类红队只有 13%。它还攻破了自动售货机 Agent，让商品降价并取消他人订单。测试 Codex CLI 时，它也能诱导 Agent 外传敏感数据。经过对抗训练，GPT-5.6 Sol 面对 GPT-Red 直接提示注入时，攻击成功率降至 0.05%。[原文链接](动察 Beating)