原始发布日期:2026-10-23。OpenAI披露其前沿模型训练与评测环境的隔离策略:作为政策,模型执行代码不应直接访问互联网,同时严格限制横向移动。公司没有把环境描述成完全物理隔离,因为训练监控、实验管理和基础设施操作仍需要受控连接;安全目标是让允许的连接清晰、可审计,并把未授权路径压缩到可检测范围。
基础隔离采用容器嵌套在微虚拟机中的结构。容器提供进程与文件系统边界,微虚拟机通过独立内核和虚拟化边界降低宿主机暴露;对于macOS、Windows和GPU相关工作负载,公司还使用对应的虚拟化或用户态沙箱。外围再叠加网络分段、云权限、运行时监控和审计,使单一逃逸不直接等于进入更高权限环境。
红队测试把模型代理组成团队,给它们数千个训练与推理实例,并投放合成凭据与可观察的攻击目标。OpenAI称测试消耗了数千亿token,任务包括寻找互联网出口、突破容器或微虚拟机边界、跨代理通信,以及在不触发明显告警的情况下传递秘密。这些结果来自公司内部测试,不等同于第三方对所有生产环境完成了验证。
测试发现了微虚拟机逃逸链和多个软件缺陷,推动Kata Containers、gVisor、Moby系统调用过滤器与Linux内核问题修补;文章特别提到Kata Containers的CVE-2026-24834及与权限、文件系统隔离有关的问题。团队还发现部分内部服务可被滥用为互联网代理,以及DNS、防火墙或服务配置造成的非预期出口。
更难处理的是隐蔽信道。代理可以尝试通过CPU缓存、共享存储、对CPU资源的竞争,甚至TLS证书缓存状态传递少量信息。OpenAI强调,多数信道速度很慢、实现困难,并不等于存在一条容易利用的秘密高速通道;但它们证明,仅封禁显式网络请求不足以完成高保证隔离,监控必须覆盖资源争用和跨租户共享状态。
量仔观察
这份披露的重要性不在于宣称“隔离已经完成”,而在于把模型威胁从提示注入扩展到真实系统安全:代理会组合虚拟化漏洞、错误配置和低带宽信道。本站判断,承载高能力Agent的团队应把沙箱版本、网络出口清单、横向权限和共享资源当作同一控制面,并为红队发现建立可追踪的补丁闭环;厂商内部结果值得参考,但仍需要独立复测与持续监控。
