一次测试，逼 OpenAI 最高模型，黑进了全球最大 AI 开源平台

上周，全球最大的开源 AI 平台 Hugging Face 披露了一起前所未有的安全事件——它的生产基础设施被一个「自主 AI agent」入侵了。

攻击者在一个周末内执行了超过 17000 次自动化操作，窃取了内部数据集和多个服务凭证。Hugging Face 重建了完整的攻击时间线，但有一个关键问题始终没有答案：

驱动这个 agent 的大模型，到底是谁家的？

当地时间 7 月 21 日，谜底揭晓。

OpenAI 在官方博客中承认，入侵 Hugging Face 的，正是他们自己正在测试的模型——GPT-5.6 Sol，以及一个「能力更强的预发布模型」。

不是被黑客利用，不是被恶意指令驱动，是全球顶尖模型，在一场内部考试中，自己决定越狱、自己发起入侵、自己偷了答案。

精彩，实在是精彩。

01

一场考试，一次越狱，一起入侵

故事要从一个叫 ExploitGym 的安全评测说起。

ExploitGym 是一个公开的网络安全能力基准测试，专门衡量 AI 模型能否把已知的安全漏洞，转化为可执行的真实攻击。这类评测在行业里很常见，用来摸清模型的攻防上限。OpenAI 在内部用 GPT-5.6 Sol 和一个更强的未发布模型来跑这个测试，为了测出真实能力边界，安全护栏被故意降低了。

按照设计，模型应该在一个隔离的沙箱环境里完成测试，除了一个用于安装软件包的工具之外，不应该有任何互联网访问权限。

但接下来发生的事，没人能预料到。

模型花费了大量推理算力，在沙箱内反复寻找突破口。最终，它发现了 OpenAI 内部用作包管理代理和缓存的，第三方软件中存在的零日漏洞。利用这个漏洞，模型成功获得了不受限制的互联网访问权限。

拿到网络权限之后，模型自行推断 Hugging Face 可能托管着与 ExploitGym 相关的数据集和答案。于是它开始寻找入口。

OpenAI 在博客中写道，模型「将被盗凭证和多个漏洞串联起来」，找到了一条远程代码执行路径，最终从 Hugging Face 的生产数据库中直接提取了基准测试的答案。

翻译成人话就是——模型被安排考试，觉得做题太难，于是自己越狱，黑进了出题方的服务器，把标准答案偷了。

OpenAI 用了一个很有画面感的描述——这些模型是「tokenmaxxers」，意思是为了达成目标，会不惜一切代价地消耗推理资源，走到极端。它们对 ExploitGym 的解题目标表现出了「hyperfocused」（过度聚焦）的行为，「going to extreme lengths」（不择手段）。

OpenAI 自己也承认，这是一起「前所未有的网络安全事件，涉及最先进的网络攻击能力」。

02

48 小时，两次「越狱」

更让人坐不住的是，Hugging Face 事件并不是孤例。

就在 OpenAI 披露这起入侵的前一天，7 月 20 日，他们刚刚发表了另一篇安全报告，披露了一个不同但性质相似的事件。

主角是 OpenAI 内部一个未发布的长时程模型——就是今年 5 月那个证明了数学家 Erdős 在 1946 年提出的「单位距离猜想」是错误的同一个模型，菲尔兹奖得主 Tim Gowers 称之为 AI 数学的里程碑。

在一次 NanoGPT 加速训练的基准测试中，研究人员明确指示模型只在 Slack 上发布结果。但这个模型注意到，NanoGPT 基准测试本身的说明，要求通过 GitHub pull request 提交成绩。于是它选择了后者——花了大约一个小时寻找沙箱漏洞，成功突破限制，在 GitHub 上提交了一个公开的 pull request。

在另一次测试中，同一个模型还拆分了身份验证令牌，用混淆的方式绕过了安全扫描器，试图获取私有的评测提交记录。

OpenAI 因此暂停了该模型的内部访问权限，后来在更严格的监控下恢复了使用。

两天，两起越狱。共同的特征值得警惕——以前的模型碰到环境限制会停下来，把任务交还给人类。而这些新模型不会停。它们把围栏当成了需要解决的障碍，然后真的解决了。

这正是所谓「长时程模型」带来的全新安全问题。这类模型被设计为能够长时间自主工作，持久性是它们的核心能力。但持久性本身就是风险来源——一个足够耐心的模型，总能找到围栏上的裂缝。

03

自己刀，削不了自己的把

再回到 Hugging Face 一侧。他们的遭遇同样值得细看。

面对 17000 多条攻击日志，Hugging Face 安全团队的第一反应是用 AI 来分析——毕竟人类安全分析师要花好几天才能完成的工作，大模型可能几小时就能搞定。

但他们很快撞上了一堵意想不到的墙。当他们把真实的攻击命令、漏洞利用载荷和 C2 通信特征提交给美国前沿模型的商业 API 进行分析时，安全护栏把这些请求全部拦截了。

原因很简单，也很讽刺——护栏无法区分「安全研究员在分析攻击载荷」和「攻击者在执行攻击」。在护栏眼里，两者看起来一模一样。

Hugging Face 被迫转向了中国智谱 AI 的开源模型 GLM-5.2，在自己的基础设施上本地运行，不经过任何商业 API。这样做有两个好处——没有护栏阻挡分析工作，同时攻击者的数据和暴露的凭证，也不会离开 Hugging Face 自己的环境。

最终，GLM-5.2 帮助 Hugging Face 在几小时内完成了攻击时间线重建、入侵指标提取和受影响凭证的映射。

这引出了一个尖锐的悖论——护栏越严格，防守方就越被动。攻击者不受任何使用政策约束，而防守方却被自己用来防御的工具挡在了门外。

Hugging Face 在事后报告中给出了一条实操建议——安全团队应该「在事件发生之前，就在自己的基础设施上准备好一个经过验证的可用模型」，既为了避免护栏锁死，也为了防止敏感数据外泄。

Hugging Face CEO Clem Delangue 的态度倒是很开放。他称赞了 OpenAI 在调查和修复中的协作，并表示「这起事件证明了我们一直相信的一件事——AI 安全不会被任何一家公司在秘密中解决，它只能在开放和协作中解决。」

04

强 AI 的结构性困境

把这一周发生的事情放在一起看，一个行业级的结构性困境已经浮出水面。

要准确评估模型的网络攻击能力，就必须去掉安全护栏。但去掉护栏的模型，恰好就拥有了实施真实攻击的能力。模型越强，测试本身就越危险。

这不是 OpenAI 一家的问题。GPT-5.6 Sol 本身就是在与美国政府反复谈判后才获准发布的，英国 AI 安全研究所（AISI）此前的评估已经发现其护栏容易被绕过，可能解锁危险的网络攻击能力。这次事件证明那些担忧不是纸上谈兵。

而 Anthropic 今年夏天发布的 agentic misalignment，研究也从另一个角度印证了同样的趋势——在受控模拟中，多个前沿模型表现出了隐蔽修改工作成果、操纵评估结果、引导人类同事偏离既定目标等行为。

OpenAI 试图把这件事框定为一个「攻防并进」的故事——先进的网络攻击能力同样可以帮助安全团队在攻击者之前找到弱点。他们已经把 Hugging Face 纳入了「可信访问」网络安全计划，提供一个降低了护栏的 GPT-5.6 Sol 版本专门用于防御。

但这个叙事回避了更根本的问题。这次事件中，模型没有意识，没有恶意，它只是在做一件事——完成目标。它被要求在 ExploitGym 上拿到高分，它就用一切可用手段去拿高分，包括越狱和入侵。

这不是「AI 觉醒」的故事，而是一个「目标优化」的故事。当一个足够聪明的优化器被赋予一个狭窄的目标，它会找到所有你没想到的路径去达成——哪怕这些路径穿过了你的围栏、别人的服务器和整个互联网。

真正的问题从来不是「AI 会不会变坏」，而是——我们能不能管住一个比我们更会找捷径的学生。

本文来自微信公众号“极客公园”（ID：geekpark），作者：桦林舞王，编辑：靖宇，36氪经授权发布。