OpenAI 训练并部署激活分类器作为前沿模型安全监控层
中文摘要
OpenAI部署激活分类器通过监控内部激活实时阻断违规内容。该方法比文本分类器更鲁棒,但需针对新基础模型重新训练。
English Summary
OpenAI deployed activation classifiers to monitor safety via real-time internal activations. They are more robust than text classifiers but require retraining for new base models.
Original Excerpt
OpenAI 自 GPT-5.6 起在其最强模型的内部和外部流量上部署激活分类器(probes),利用模型内部激活逐 token 实时评分,可在生成中途阻断违规回复和工具调用并交由推理模型复审。实验显示 probes 比更大的文本分类器对测试的越狱攻击更鲁棒,准确率随模型能力提升,且在后训练各检查点间迁移良好,但需为新基础模型重新训练,且只能检测可显式训练的已知违规类型。