OpenAI GPT-Red以84%成功率对抗测试GPT-5.6 人工红队仅13%

OpenAI于2026年7月16日披露，内部训练的GPT-Red模型在间接提示注入场景中达到84%攻击成功率，而人工红队在相同测试中仅为13%。这一结果直接用于GPT-5.6的训练，使其在直接提示注入基准上的失败次数比四个月前最佳模型减少6倍，对GPT-Red直接注入的失败率仅0.05%。

训练机制与攻击发现

GPT-Red通过对抗性自我对弈强化学习运作：攻击模型不断生成提示注入尝试，防御模型同时学习抵御，同时保持正常任务性能。OpenAI为此投入超过70万GPU小时。训练环境模拟网页浏览、邮件处理、日历管理和代码编辑等真实场景。GPT-Red发现了一种此前未知的“伪造思维链”攻击，能在目标模型内部推理记录中插入虚假信息，使模型误判已验证结果并执行恶意操作。

测试显示，GPT-Red对2025年发布的GPT-5攻击成功率超过90%，对GPT-5.6则降至不足23%。它还能成功诱导Andon Labs的Vendy智能体修改商品价格并取消用户订单。但GPT-Red在需要多轮交互的复杂攻击和图像注入场景中表现有限。

产业各方影响

对开发者而言，GPT-Red提供的自动化变体生成可扩大测试覆盖，但无法取代人工设计新攻击思路。企业用户可通过GPT-5.6获得更强的提示注入防护，不过OpenAI明确表示GPT-Red仅内部使用，不会公开权重或代码，其他机构难以复现。

竞争格局方面，此举将安全测试从静态规则转向动态对抗，其他模型提供商需评估是否投入同等算力规模的自动化红队系统。供应链中，GPU资源分配将进一步向安全训练倾斜。

战略前瞻

基于现有训练规模和结果，最可能的发展是OpenAI持续扩大自我对弈循环以覆盖更多攻击类型，验证信号为后续模型版本在GPT-Red测试下的失败率是否继续下降。