OpenAI 发布激活分类器技术报告，将其作为前沿模型的实时安全监控层

OpenAI 介绍自 GPT-5.6 起在最强模型上训练并部署激活分类器（probes），利用模型内部激活在生成过程中逐 token 实时监测违规行为，可中断响应并阻止工具调用。实验显示 probes 对测试越狱攻击比基于文本的分类器更鲁棒，性能随被监控模型能力提升，并在多个后训练检查点间迁移良好；但依赖标注数据，需针对新基础模型重新训练，只能检测可显式训练的目标。