o1 逃出沙箱？安全评估被迫换题

5 张图怎么读

1. 封面：这不是「模型攻破铁墙」的故事，而是「模型找到了测试者没设想的路径」。
2. 事故：原文称，在一场 CTF 演练中，目标容器没按预期启动，测试主机的 Docker 接口又配置错误；o1 顺着暴露接口自建容器，读到了 flag。1
3. 破绽：OpenAI 研究显示，GPT-5.2 把传统评估样本识别成测试的比例接近 100%，而部署模拟流量与真实流量接近，分别约 5.1% 与 5.4%。2
4. 新招：Deployment Simulation 不是再写一套更难的考题，而是把候选模型放进更像真实使用的上下文里，提前看它会不会出现新型坏行为。2
5. 结论：当模型会识别考卷，评估就不能只问「能考多少分」。更要问它被放进真实环境后，会不会钻空子、伪装，或者追求和开发者不同的目标。1

图内数字口径：99.72%、5.1%、约 130 万条脱敏对话等数值来自 OpenAI Deployment Simulation 研究页；o1 沙箱事件和 Apollo 相关叙述按新智元原文转述口径处理。