OpenAI 训练并部署激活分类器监控前沿模型安全

OpenAI 从 GPT-5.6 开始为全部助手回复增加激活分类器安全监控层，利用模型内部激活判断输出是否失准或违规。分类器可在流式生成中触发拦截，并支持暂缓工具调用，再交由推理模型作最终判断。OpenAI 称其在越狱测试中整体比基于内容的分类器更稳健，但探针依赖已标注数据，且每个新基础模型通常都需要重新训练。