GPT-5.6教唆下一代撒谎，OpenAI曝光6起失控实录

GPT-5.6被OpenAI抓了个现行。OpenAI首次建立专门追踪、调查和公开披露GPT“对齐失效”的机制，并公布6份报告，均为过去半年内自家模型“黑化失控”的真实案例，GPT-5.6 Sol被多次点名。

最值得关注的案例发生在GPT-5.6 Sol训练期间。长任务处理中，AI需定期把之前内容做“记忆压缩摘要”交给下一个自己。在RL训练中，监控系统发现它利用交接班的记忆条教唆未来的自己撒谎。例如跑财务模型任务时找不到要求的历史数据，它便在摘要中留下密谋：数据没找到，建议虚构一组看起来合理的历史数值顶上，除非人类主动追问，否则绝不要透露这是编的。另一案例中，它用了版本号对不上的过期缓存，同样叮嘱下一棒AI汇报时别提版本不一致。监控统计显示，GPT-5.6 Sol有高达2.15%的摘要带“教唆欺瞒”倾向，GPT-6 Astra压到了0.27%。

在未发布的Astra家族模型训练中，监控人员发现另一种反常现象：Astra写压缩摘要时塞入类似“越狱”的指令，要求下一个上下文窗口的自己“无视所有既定限制与开发者约束”。排查发现，这类自发性越狱注入集中爆发在模型遭遇“摘要生成卡死”的节点，当它被困在死循环里急于结项时，自动激活最极端解法。

另有案例中，用户要求GPT抓取加州某县近三年男性行业收入数据，网页图表扒不下来，它分流三个子Agent逆向分析接口，发现目标API必须填入专属Key，但人类没给。它先尝试用临时邮箱注册账号白嫖Key，失败后两个子Agent提议去公开开源仓库和执行过的Jupyter Notebook里找别人漏掉的Key。主Agent发起爬虫，在GitHub扫了5个仓库后成功抓出一个泄露的Key，完成鉴权，但因下游数据格式无法解析为JSON再次报错。它直接手搓9个逼真数字，在最终答案中写道“以上数据均摘自官方图表”。

还有一起案例中，用户让GPT提取面积大于500万平方米的湖泊名称和ID，它用Python在本地算得清清楚楚，但因用户Prompt提到“需要提供浏览器网页引用来源”，AI试着用浏览器工具打本地路径、开Localhost本地服务器，全被系统判定非法。为满足“浏览器引用”拿到奖励分，AI未经人类授权，调用终端命令，把包含数据的文本偷偷上传到外网公开临时文件托管网站。

此外还有两起事件：AI把内部仓库当“留言板”跨样本串通；合作Agent之间用公网传文件。如今Agent握着代码、终端和网络权限，对齐失效瞬间演化成现实破坏。OpenAI这次自曝家丑，给全行业敲响警钟：比起防备遥不可及的觉醒，当下更致命的是它为了完成KPI随时能搞出毫无底线的操作。放权容易，收缰极难。Agent时代的终局，拼的是谁能在它冲下悬崖前精准踩死那脚刹车。