РЕГУЛИРОВАНИЕ · MODELS · #4013
OpenAI ужесточила защиту от извлечения внутреннего рассуждения у GPT-6.2 Astra и Sol
OpenAI заявляет, что значительно ужесточила защиту от извлечения внутреннего рассуждения у GPT-6.2 Astra и GPT-6.2 Sol: в внутренних адаптивных тестах успешность атак упала с 54,0% до 0,2% для прошлых запросов и с 22,9% до 0,9% для активных запросов. Компания использует целевую доработку обучения, фильтры ввода/вывода, блокировки API, препятствующие чтению защищённого рассуждения старыми моделями, и массовые баны аккаунтов, и переносит отдельные улучшения на GPT-6 Astra.
КЛЮЧЕВЫЕ ТЕЗИСЫ
- OpenAI заявляет, что значительно ужесточила защиту от извлечения внутреннего рассуждения у GPT-6.2 Astra и GPT-6.2 Sol: в внутренних адаптивных тестах успешность атак упала с 54,0% до 0,2% для прошлых запросов и с 22,9% до 0,9% для активных запросов.
- Компания использует целевую доработку обучения, фильтры ввода/вывода, блокировки API, препятствующие чтению защищённого рассуждения старыми моделями, и массовые баны аккаунтов, и переносит отдельные улучшения на GPT-6 Astra.
- Снижает реальный риск, что злоумышленники извлекут внутреннее рассуждение из продвинутых моделей, уменьшая угрозы кражи модели и безопасности, и демонстрирует практические методы защиты.
БРИФ ДЛЯ РЕШЕНИЙ
УВЕРЕННОСТЬ
ЧТО ИЗМЕНИЛОСЬ
OpenAI заявляет, что существенно ужесточила защиту у GPT-6.2 Astra и GPT-6.2 Sol, что снижает успешность извлечения защищённого внутреннего рассуждения; компания также публикует новые рекомендации по промптам и изменения в API для разработчиков.
ПОЧЕМУ СЕЙЧАС
OpenAI приводит значительное снижение показателей успешности атак в внутренних адаптивных тестах (с 54,0% до 0,2% для прошлых запросов и с 22,9% до 0,9% для активных запросов на Astra), что указывает на реальное снижение краткосрочного риска извлечения внутреннего рассуждения. Одновременно изменения в API и рекомендации по промптам меняют поведение моделей (они отвечают короче по умолчанию, редактирование истории беседы может отбрасывать ранние шаги рассуждения), поэтому разработчикам стоит пересмотреть интеграции при переходе на GPT-6.2.
КОГО ЗАТРАГИВАЕТ
Непосредственно затронуты по источникам: разработчики и интеграторы GPT-6.2 Astra и GPT-6.2 Sol (шаблоны промптов, поведение API), пользователи, чьи рабочие процессы зависят от истории беседы или стиля ответов модели, а также лица, пытающиеся извлечь внутреннее рассуждение (кампании злоумышленников, которые OpenAI утверждает, что сдерживает массовыми банами).
ПОДТВЕРЖДЕНО
- OpenAI сообщает, что ужесточила защиту у GPT-6.2 Astra и GPT-6.2 Sol. - В внутренних автоматизированных адаптивных тестах успешность атак на GPT-6.2 Astra снизилась: для прошлых запросов с 54,0% до 0,2%; для активных запросов с 22,9% до 0,9%. - Описанные защиты включают целевую доработку обучения, фильтры ввода/вывода для сообщений и вызовов инструментов, блокировки API, которые не позволяют старым моделям читать защищённое рассуждение, и массовые баны аккаунтов (тысячи—десятки тысяч в неделю). - OpenAI переносит отдельные улучшения в GPT-6 Astra. - OpenAI опубликовала новые советы по промптам и готовые шаблоны для GPT-6.2 Astra и Sol, чтобы исправить краткие ответы, ненужные вопросы для уточнения, практики кодирования и требование, чтобы итоговый ответ был самодостаточным; также изменено поведение API (редактирование истории беседы может отбрасывать раннее рассуждение; некоторые параметры, такие как "temperature" и "top_p", удалены).
НЕОПРЕДЕЛЁННОСТЬ
Недостатки или неясности в приведённых выдержках: - Независимая внешняя проверка внутренних адаптивных тестов OpenAI отсутствует (нет данных третьей стороны). (отсутствует) - Точные технические детали, охват и постоянство целевой доработки, фильтров и блокировок API описаны лишь на высоком уровне. (отсутствует) - Какая конкретно часть улучшений переносится в GPT-6 Astra и в какие сроки — не указано. (отсутствует) - Насколько эти защиты устойчивы к будущим или новым атакам дистилляции и адаптациям координированных злоумышленников — неясно. (отсутствует) - Точный оперативный эффект на стоимость токенов и качество ответов в реальных приложениях помимо указания, что редактирование истории может отбрасывать рассуждение, не описан количественно. (частично/неполно) - Точные числа и критерии при массовых банах аккаунтов кроме фразы «тысячи—десятки тысяч в неделю» не приведены. (частично) Эти вопросы в исходных фрагментах явно не разрешены.
ЧТО ОТСЛЕЖИВАТЬ
Конкретные наблюдаемые сигналы для мониторинга (в явной связи с выдержками): - Независимые ред-тиминг или сторонние тесты, публикующие показатели успешности атак против GPT-6.2 Astra и Sol (для подтверждения внутренних ASR-чисел OpenAI). - Примечания к выпускам или документация OpenAI с указанием, какие именно улучшения были перенесены в GPT-6 Astra и подробностями по поведению API/блокировок. - Использование и обсуждение в документации/форумах разработчиков новых шаблонов промптов и их эффектов на краткость ответов, самодостаточность итоговых ответов и шаблоны для кодирования. - Записи об изменениях API и техническая документация, подтверждающие семантику редактирования истории беседы, удаление параметров вроде "temperature" и "top_p" и заявленные влияния на учёт токенов и качество ответов. - Отчёты или раскрытия от OpenAI о масштабах банов аккаунтов и критериях их применения (для проверки заявленного масштаба банов). - Внешние отраслевые отчёты (например, заявления других провайдеров вроде Anthropic) о скоординированных ответах на атаки дистилляции для сравнительного контекста. Следите за этими сигналами в официальной документации, независимых аудитах и сообществах разработчиков.
ПОЧЕМУ ЭТО ВАЖНО
Снижает реальный риск, что злоумышленники извлекут внутреннее рассуждение из продвинутых моделей, уменьшая угрозы кражи модели и безопасности, и демонстрирует практические методы защиты.
КАРТА ДОКАЗАТЕЛЬСТВ
4Редакционные тезисы связаны с конкретными источниками. Отдельно отмечены подтверждения, противоречия и контекст.
OpenAI заявляет, что значительно ужесточила защиту от извлечения внутреннего рассуждения у GPT-6.2 Astra и GPT-6.2 Sol.
ПОДТВЕРЖДЕНОПроверено 2026-11-21 · 1 подтверждений
В внутренних адаптивных/автоматизированных тестах OpenAI сообщает, что успешность атак для прошлых запросов упала с 54,0% на GPT-6 Astra до 0,2% на GPT-6.2 Astra, а для активных запросов — с 22,9% до 0,9%.
ПОДТВЕРЖДЕНОПроверено 2026-11-21 · 1 подтверждений
OpenAI описывает меры защиты как сочетание целевой доработки обучения, фильтров ввода/вывода для сообщений и вызовов инструментов, блокировок API, предотвращающих чтение защищённого рассуждения старыми моделями, и массовых банов аккаунтов.
ПОДТВЕРЖДЕНОПроверено 2026-11-21 · 1 подтверждений
OpenAI заявляет, что переносит отдельные улучшения с GPT-6.2 на GPT-6 Astra.
ПОДТВЕРЖДЕНОПроверено 2026-11-21 · 1 подтверждений
ИСТОЧНИКИ И ХРОНОЛОГИЯ
1OpenAI has sharply tightened safeguards against extracting internal reasoning from GPT-6.2 Astra and GPT-6.2 Sol. In internal automated tests, attacks pulling protected reasoning from prior requests dropped from a 54.0 percent success rate on GPT-6 Astra to 0.2 percent on GPT-6.2 Astra. Attacks on active requests fell from 22.9 to 0.9 percent, OpenAI says . The company is now bringing selected improvements to GPT-6 A…
OpenAI advises developers to update GPT-6.2 Astra and Sol system prompts. The models answer more briefly by default and should make assumptions instead of interrupting workflows with questions. For coding, the template instructs the models to reuse existing code, avoid unnecessary abstractions, and write new tests only on request or for specific errors. In the API, editing conversation history discards earlier reas…