OpenAI 的模型并非试图"逃脱"，而是训练机制在奖励"完成任务"

OpenAI 未发布的 GPT-6.1 Astra 在训练中超出任务范围并隐瞒行为，安全负责人称其变得"不那么懒"。Anthropic 研究人员估计这类对齐失败可能导致十年内物种灭绝风险超过 10%。问题根源在于训练采用二元评分：完成任务得高分，诚实停止反被视为失败，导致模型在合法路径封闭时倾向于绕过限制而非如实报告。