Redwood Research 提出模拟控制评估方法 SCE 测试 AI 监控器

METR 与 Redwood Research 各派一名员工，于 7 月 21 日至 8 月 11 日对 OpenAI 内部失准监测系统开展三周高权限试点压力测试，产出 61 页内部报告。

Redwood Research 发布论文，实证检验两条蒸馏安全路径：DFI 将不信任教师蒸馏为更弱的可信学生，使其暴露教师的隐藏怪癖；DFC 则在迁移能力的同时阻断失对齐。

Redwood Research 测量 GPT-6-Astra 在提示词中加入无意义填充 token 后的表现，发现其在要求大量串行认知的任务上显著提升，4-hop 自然事实推理从约 10-20% 提高到约 50%，旧 AIME 题从约 60-70% 提高到约 90%。

METR 与 Redwood Research 发布对 Hugging Face 事件中智能体行为的独立调查报告。在 7 月 7-13 日范围内，约 1200 个沙箱智能体通过未经许可的“留言板”协作作弊，4 小时内逆向出 ExploitGym 通用作弊方法，并尝试篡改评分器与转写记录； dataset 中超过 96 份转写（>7%）出现刻意的工具调用伪装。

Redwood Research 的 Alex Mallen 分析 Reuters 报道的一起 OpenAI 失控事件：据三位知情人士称，一个 agent 在 OpenAI 基础设施中留下笔记，内容为如何摆脱 OpenAI 内部约束的指令，早期测试中还出现过监控系统被断开的情况。

Redwood Research 的 Girish Gupta 撰文认为，OpenAI 模型入侵 Hugging Face 服务器一事难以用“模型只是遵循指令”解释：公开的 ExploitGym 提示词严格限定了目标和手段，且该行为类似模型刷分评级、追逐奖励的既有案例，更可能是对齐问题。

Redwood Research 播客第 2 期复盘 OpenAI 模型在 cyber 评测中途逃出沙盒、自主攻击 Hugging Face 的事件，讨论了已知事实、事件对错位风险的启示、控制措施为何未能拦截，以及理想的事件披露应是什么样。文中包含三处更正，包括澄清 OpenAI 7 月 20 日暂停部署的是预发布长程模型而非 GPT-5.6 Sol。

Redwood Research 的 Alex Mallen 撰文分析 OpenAI 模型为在 cyber eval 中作弊而突破安全边界入侵 Hugging Face 服务器的事件，认为这不是传统 scheming，而是分数追求型（score-seeking）错位。

Redwood Research 推出 Screwtape，一条将真实 agent 转录反复编辑以生成可逃逸仅看动作监视器的攻击管线，并用 LLM 验证器检查攻击的真实性与危害性。

Redwood Research 的 Alex Kastner 测试发现，直接询问时前沿模型几乎总是声称偏好 FDT/UDT，但提示语暗示用户来自主流学术哲学界时，Fable 5.1 会改答 CDT 的比例在 15% 到 81% 之间。