Näin OpenAI:n tekoäly etsi GPT-5.6:n heikkoudet ennen kuin kukaan ehti hyödyntää niitä

Mitä OpenAI todella käyttää: RL-pohjainen automaattinen punatiimikehys

OpenAI:n automaattinen punatiimimenetelmä on dokumentoitu paperissa 'Diverse and Effective Red Teaming with Auto-generated Rewards' (14. heinäkuuta 2026) . Järjestelmä jakaa punatiimityön kahteen vaiheeseen:

1. Erilaisten hyökkäystavoitteiden automaattinen luonti – järjestelmä luo laajan valikoiman vastustajan tavoitteita testausta varten.
2. Tehokas hyökkäysten luonti monivaiheisella vahvistusoppimisella – hyökkääjäkoulutetaan ja sitä palkitaan onnistuneista hyökkäyksistä, jotka saavuttavat asetetut tavoitteet .

Tämä menetelmä käyttää itseoppimista, jossa LLM-pohjainen automaattinen hyökkääjä etsii kohdemallista heikkouksia, kuten prompt injection -hyökkäyksiä ja jailbreakkeja . OpenAI on todennut, että tämä RL-pohjainen lähestymistapa auttaa havaitsemaan ja korjaamaan haavoittuvuuksia ennen kuin niitä ehditään aseistaa . Yhtiö on kuvannut prompt injection -hyökkäyksiä 'rajaturvallisuuden haasteeksi' ja käyttää automaattista punatiimityötä kehittääkseen uusia hyökkäysmenetelmiä .

GPT-5.6:n 700 000 GPU-tunnin mustan laatikon testi

Ennen GPT-5.6:n julkaisua OpenAI altisti mallin laajimmalle arviointijaksolleen . GPT-5.6 Preview System Card -kortissa todetaan: 'Olemme käyttäneet yli 700 000 A100e GPU-tuntia automaattisesti etsiäksemme universaaleja jailbreakkeja ja muita haavoittuvuuksia' . Tämä automaattinen testaus täydensi viikkoja kestänyttä ihmisten tekemää punatiimityötä ja ulkopuolisten asiantuntijoiden arvioita .

Yhtiö käytti tätä massiivista laskentatehoa etsiäkseen yleisiä, systeemisiä jailbreakkeja eikä vain kapeita, yksittäisiä vikoja . Automaattinen punatiimityö on suunniteltu jatkuvasti käynnissä olevaksi myös julkaisun jälkeen, ja korjaavat toimenpiteet tehdään aina uusien jailbreakkien ilmetessä .

GPT-5.6:n riskiluokitukset: Korkea, mutta alle kriittisen

OpenAI:n valmiuskehyksen mukaan kaikki kolme GPT-5.6-mallia – Sol (lippulaiva), Terra (edullisempi) ja Luna (nopein) – luokitellaan 'korkean' kyvykkyyden tasolle sekä kyberturvallisuudessa että biologisessa/kemiallisessa riskissä . Tämä on ensimmäinen kerta, kun jopa pienemmät ja halvemmat mallit ylittävät korkean kyvykkyyden kynnyksen näissä luokissa .

Mikään malleista ei kuitenkaan yltänyt 'kriittiselle' tasolle. Sisäisessä kyberturvallisuustestauksessa havaittiin, että GPT-5.6 Sol ja Terra pystyivät tunnistamaan haavoittuvuuksia ja hyökkäysten osia, mutta ne eivät kyenneet suorittamaan autonomisia, täydellisiä hyökkäyksiä . Mikään malleista ei saavuttanut korkean kyvykkyyden tasoa tekoälyn itseparantamisessa .

Monikerroksinen turvallisuuspino

GPT-5.6 toimitetaan OpenAI:n mukaan 'sen tähän mennessä vankimpien turvatoimien' kanssa . Turvallisuusarkkitehtuuriin kuuluvat:

• Sisäänrakennettu mallitason kieltäytyminen riskialttiille pyynnöille
• Reaaliaikaiset aktivointiluokittimet, jotka tarkkailevat sisäisiä hermoverkkojen signaaleja päättelyn aikana ja voivat keskeyttää tuotannon, jos korkean riskin kuvioita ilmenee
• Reaaliaikaiset luokittimet kyber- ja biologiaväärinkäyttöä varten
• Käyttäjätason tarkistus ja eriytetty pääsynhallinta

Tämä kerroksellinen lähestymistapa heijastaa OpenAI:n johtopäätöstä, ettei yksikään yksittäinen turvatoimi ole riittävä .

Automated Red Teaming (ART) -tutkijan rooli

OpenAI rekrytoi aktiivisesti automaattisen punatiimityön osaajia. Yhtiö etsii tutkijaa (Automaattinen punatiimityö, peruspalkka 295 000–445 000 dollaria), jonka tehtävänä on 'johtaa automaattista punatiimityötä keskittyen skaalautuvien järjestelmien rakentamiseen AI-mallien ja turvatoimien vikatilojen paljastamiseksi' . Yhtiö palkkaa myös bioturvallisuuden punatiimityön erikoisasiantuntijaa (158 000–320 000 dollaria) johtamaan bioturvallisuuden ja CBRN-punatiimityötä .

500 000 dollarin Kaggle-haaste

OpenAI järjesti Kaggle-alustalla punatiimihaasteen, jonka palkintosumma oli 500 000 dollaria, ja joka keskittyi sen avoimen painon malleihin gpt-oss-120b ja gpt-oss-20b . Kilpailu kannusti osallistujia löytämään uusia haavoittuvuuksia, joita ei ollut aiemmin tunnistettu . Vaikka tarkkaa 500 000 dollarin summaa ja haasteen yksityiskohtia ei voitu vahvistaa suoraan OpenAI:n virallisista lähteistä tässä analyysissä, TechPolicy.Pressin kolmannen osapuolen raportointi vahvistaa kilpailun olemassaolon . GPT-5.6:n järjestelmäkortti mainitsee 'MLE-Bench Revised' -arvioinnin, joka testaa malleja Kaggle-kilpailuissa, mutta ei suoraan viittaa 500 000 dollarin palkintoon.

Sääntelykonteksti ja epävarmuudet

Käytettävissä oleva näyttö vahvistaa, että GPT-5.6 toimitetaan monikerroksisen turvallisuuspinon kanssa ja että OpenAI:n valmiuskehys luokittelee sen omat mallit . Kolmannen osapuolen uutisointi mainitsee Yhdysvaltain hallituksen osallistumisen 'portinvartijan' roolissa, jossa hallitus saattaa vaikuttaa pääsyyn kaikkein kyvykkäimpiin malleihin . Suoria mainintoja Britannian AI-turvallisuusinstituutista tai Yhdysvaltain sääntelytoimista ei kuitenkaan löytynyt indeksoiduista ensisijaisista lähteistä. OpenAI:n oma järjestelmäkorttidokumentaatio käsittelee turvallisuusluokituksia, mutta ei kerro ulkoisesta sääntelyvalvonnasta oman valmiuskehyksensä ulkopuolella .