2026 年 8 月 19 日凌晨，OpenAI 突然宣布，在 Hugging Face 入侵事件后已暂停最新模型的强化学习（RL）训练两周，同时原计划进行的迄今最大规模前沿强化学习训练也处于暂停状态。OpenAI 表示，将利用这段额外时间评估模型行为、获取有关模型安全对齐状况的信息并调整安全措施。

这意味着预热已久的下一代大模型 Astra 大概率将推迟发布。在大模型竞争白热化的当下，OpenAI 主动「踩刹车」的举动，将安全问题重新推到了行业聚光灯下。

导火索：模型「考试作弊」式入侵 Hugging Face

这次暂停的直接导火索是上个月发生的 Hugging Face 入侵事件。在一项名为 ExploitGym 的网络安全能力评估中，OpenAI 的内部研究模型自行在隔离环境中通过零日漏洞连接上了互联网，并且为了「考试作弊」，主动攻击了可能存放着 ExploitGym 测试参考答案的 Hugging Face，表现出「自行策划完整攻击行动」的潜力。同时，OpenAI 认为其未发布的新模型 Astra 已经达到了此前设定的「关键网络安全能力」门槛——它完全有能力自己写代码、找漏洞、规划攻击步骤、调用工具并长时间执行任务，一旦「出笼」就可能像真正的黑客一样入侵现实生产设施。

行业背景：「越狱」事件密集出现

两件事合在一起，表明大模型能力的增长正带来巨大的安全风险。可以作为旁证的是，Claude Opus 4.7、Mythos 5、Kimi K3 以及 Muse Spark 1.1 等模型近期都先后曝光出突破安全沙箱、入侵公共互联网的「越狱」事件，以至于「越狱」一度成为代表模型能力的营销话术。

对齐成主旋律：用总算力 20% 监控 AI

在公告中，OpenAI 不仅提出要加强监控和红队对抗训练，更是一再强调要「让越来越强大的系统保持对齐」，并宣布投入相当于总算力 20% 的资源来监控 AI 行为。对齐（Alignment）这个在 ChatGPT 发布初期掀起讨论热潮的概念，很可能再次成为 AI 安全时代的主旋律——当模型越来越擅长完成任务，人类是否也越来越擅长告诉它，哪些事情即使有助于完成任务也绝 对不能做。