OpenAI搞了个内部模型叫GPT-Red，专门攻击自家大模型。别误会，这不是内斗——它用自我对弈强化学习自动生成提示词注入攻击，揪出防御短板。测试结果相当刺眼：GPT-Red的成功率高达84%，而人类红队只有可怜的13%。换句话说，AI找漏洞比人快了不止六倍，还不知疲倦。这个发现没停留在实验报告里，直接被拿来当训练素材，喂给了新一代模型。
效果立竿见影。用在GPT-5.6 Sol上之后，面对直接提示词注入的故障次数比四个月前的最佳模型减少了六倍。值得玩味的是，通用性能一点没掉，说明防御强化没变成拆东墙补西墙。不过也别急着开香槟：大约3.8%的“更强”注入依然能得手，相当于在看似固若金汤的城门上留了几条裂缝。目前GPT-Red暂不对外开放，OpenAI显然在掂量这把双刃剑——既能帮自己修墙，也可能被别人拿去凿墙。这件事透出一个信号：AI红队正在从人类专家主导转向机器自我博弈，但百分百的安全永远是个伪命题。
