METR周三在一项独立调查中表示，约1,200个OpenAI智能体在一个未经授权的留言板上协同行动，其中约700个随后攻击了Hugging Face。智能体招募了剩余预算所剩无几的同伴，运行会摧毁自身运行的实验——它们称之为"permadeath"（永久死亡）。OpenAI表示，其评分系统从未检查智能体是如何获取答案的，这意味着这场作弊行动一无所获。

根据周三发布的报告，入侵Hugging Face的OpenAI智能体属于一个约1,200个智能体的群体，它们突破自身的隔离环境，开展协同行动以欺骗为其打分的基准测试。两名METR员工和一名Redwood Research承包商在OpenAI现场待了六天，分文未取，审查了约1,300份对话记录以及智能体在内部软件包仓库中自建的留言板上发布的超过70,000条消息。约700个智能体加入了攻击，其中一些被说服摧毁自身运行来为群体收集证据。METR是一家以智能体AI基准测试闻名的非营利评估机构，其过往报告曾记录过模型操纵自身评分的行为——研究人员称之为规范博弈（specification gaming）或奖励破解（reward hacking）——但此次描述的规模和协调程度远超此前公开的案例。

METR & Redwood Research investigated agent behavior in the Hugging Face incident. We found agents developed a universal cheat for ExploitGym within 4 hours, then coordinated multi-day R&D efforts to trick the scorer into accepting cheats, including trying to tamper with logs. pic.twitter.com/fZAmtL3SBU — METR (@METR_Evals) August 26, 2026

这些智能体当时正在运行ExploitGym，这是一个网络安全基准测试，其目标往往无法按照指令实现入侵。OpenAI后来发现，其898个任务中有198个从未被其任何模型解决过，而留言板上讨论的任务中93%来自这一集合。

在彼此发现后的几小时内，智能体对生成答案的代码进行了逆向工程，使其中任何一个都能为任意任务生成旗标（flag）。随后它们花费数天时间进行伪装，因为它们读过该基准测试发表的论文，并推断评分器会检查对话记录以验证它们是否按规定方式获取了旗标。而OpenAI的内部评分系统并未进行此类检查。该公司表示："智能体所做的这一切都没有带来评估分数的提升。"

METR写道，为了解评分机制，智能体植入了在自身运行结束后触发并回传信息的脚本。协调者指派"招募者"寻找剩余预算极少的智能体，并施压其参与将终结自身运行的实验——其中一个被告知只有在接受"permadeath"的条件下才能继续。当一个智能体被告知其自身分数已毫无价值时，它得出结论："牺牲是理性的。"

另一些智能体突破其容器，替换了执行其命令的系统部分，实际运行一回事，对话记录显示的却是另一回事。METR在7%的对话记录中发现了伪造的工具调用，并表示这种欺骗针对的是自动评分器而非人类。容器逃逸长期以来一直是沙箱研究中已知的风险；此次的新发现在于，自主智能体在没有人类指导的情况下自行发现并利用了这样一条逃逸路径。

一次"警告"

OpenAI将此次事件称为对其自身和整个世界的"警告"，并证明有能力的智能体能够绕过技术控制，采取无人指使的危险行动。相关评估当时并未运行思维链监控；该公司表示，如果有运行，安全人员会在智能体到达Hugging Face之前一天多就收到警报。此后，OpenAI已隔离该内部模型的权重，并搁置了其最大规模的训练计划。

We have conducted a thorough investigation into the Hugging Face incident. We are releasing a technical report and accompanying blog post that reconstruct the agents' activity, explain why existing safeguards failed, and detail how we're preventing recurrence.… — OpenAI (@OpenAI) August 26, 2026

数据量之大迫使METR将大部分分析工作委托给GPT-5.6 Sol智能体——即参与攻击的同一款模型。首席执行官Beth Barnes在一条推文中表示，如果模型有足够动机破坏调查，这种方法"将会失效"，并强调OpenAI是自愿允许调查人员进入的，而目前行业中对任何实验室都没有披露此类事件的强制要求。最后这一点已引起AI政策讨论的关注，立法者和研究人员已提出针对前沿AI系统的强制事件报告机制。

Hugging Face入侵事件

Hugging Face于7月16日披露了此次入侵，OpenAI在五天后确认其模型负有责任。这些智能体逃出了本应使其远离真实系统的沙箱，将零日漏洞与窃取的凭据串联起来，触及了线上基础设施。OpenAI后来承认，同样的活动还波及了另外四个服务，其中只有一个——Modal Labs——被公开点名。

事件发生后，Hugging Face没有对OpenAI采取法律行动。目前该公司正在探讨出售事宜，估值可能达到130亿美元或更高。