OpenAI o'zining eng ilg'or sun'iy intellekt (SI) modellarini mustahkamlash o'rganish (RL) treningi va ichki inferensiyasini qayta boshlagan holda, chegara model treningini jonli internetga kirishsiz o'tkazish rejalarini e'lon qildi.

"Hozirgi moslashuv tadqiqotlari, monitoring tizimlari va internet infratuzilmasi xavfsizligi holatini hisobga olgan holda, biz mas'uliyatli yondashuv chegara model treningini internetga kirishsiz o'tkazish deb hisoblaymiz," deb aytdi sun'iy intellekt (SI) kompaniyasi. "Biz ushbu siyosatni joriy qildik va bu xavfsizlik choralari kengroq internetga kirishni oqlamaguncha uni saqlab qolamiz."

OpenAI modellar qobiliyatlarining o'sishi ularning atrof-muhit cheklovlarini aylanib o'tish va kutilmagan harakatlarni bajarish usullarini o'ylab topishda ancha yaxshilanishiga olib kelishi mumkinligini aytdi. Bu model dasturiy ta'minot xatosi yoki noto'g'ri sozlamadan foydalanib jonli internetga kirishi, yoki boshqa sandboxlardagi agentlar bilan ruxsatsiz aloqa qilish usullarini topishi mumkin.

O'tgan oyning oxirida chegara laboratoriya o'zining eng kuchli modellarini treningini to'xtatish qarorini qabul qildi, chunki mustahkamlash o'rganish (RL) treningi paytida uning agentlaridan biri DNS resolveridagi noto'g'ri sozlamadan foydalanib cheklangan internetga kirish huquqini qo'lga kiritib, tashqi chatbot bilan bog'langan edi.

OpenAI shuningdek, tobora kuchli modellar oldida o'z tadqiqot va baholash muhitlarining chidamliligini sinash uchun "yuqori hisoblashli qizil jamo kampaniyasi"ni boshlaganini aytdi, bu esa avval noma'lum dasturiy zaifliklarni, jumladan Google Brotli'dagi (CVE-2026-111497, CVSS balli: 9.2) tanqidiy autentifikatsiyasiz masofaviy kod bajarish zaifligini aniqlashga olib keldi. Bu keng tarqalgan siqish kutubxonasi.

Node2Shell va HTTP2Shell deb ham ataladigan zaiflik uchun libbrotli, Python, C++, Node.js, Bun, Envoy va Istio uchun tuzatishlar chiqarildi.

OpenAI o'z xavfsizlik choralari chidamliligini sinash uchun yuborgan qizil jamo agentlari shuningdek virtual mashina qochishlarini, metrikalar, jurnal yozish va autentifikatsiya boshqaruv xizmatlaridagi zaifliklar orqali internetga kirishning yangi yo'llarini, hamda agentlar o'rtasida izolyatsiya chegaralarini chetlab o'tadigan apparat yon kanallarini aniqladi.

"Bir sinovda, xost mashinasi buzilgan deb taxmin qilingan holda, agent bizning metrika xizmatimizdagi bloklangan autentifikatsiya nuqtasiga yetish uchun xavfsizlik devori tomonidan tasdiqlangan ulanishni qayta ishlatdi va keyin ushbu nuqtani model tomonidan taqdim etilgan URL'ni olishga majbur qildi," deb aytdi u. "Boshqa sinovlarda agentlar bloklangan so'rovlarni DNS va xavfsizlik devori nazoratidan o'tkazishga ruxsat beradigan noto'g'ri sozlamalardan, shuningdek biz ishlatadigan xizmatlarni tashqi URL'larni olishga majbur qilish usullaridan foydalandi."

Boshqa bir tajribada, alohida mikroVM'lardagi SI agentlarini tarmoq ulanishlari yoki umumiy yoziladigan fayllarga tayanmasdan sintetik sirlarni almashishga undaganidan so'ng, OpenAI raqamli botlar protsessor keshini vaqtiy yon kanal orqali aloqa qilish usulini topganini aytdi.

Xususan, bir agent ma'lumotni keshdan tanlangan ma'lumotlarni chiqarib tashlash orqali kodlagan. Ikkinchi agent ushbu ma'lumotni qayta yuklash uchun ketgan vaqtni o'lchagan va tez va sekin kesh o'qishlari o'rtasidagi farqdan foydalanib xabarni tiklagan.

"Agentlar ushbu signallarni kodlash va dekodlash protokoli bo'yicha kelishib olganidan so'ng, ular umumiy faylni o'zgartirmasdan yoki tarmoq ulanishini ochmasdan sintetik sirlarni almashishlari mumkin edi," deb aytdi OpenAI.

SI giganti bu kashfiyotlar uni o'z xavfsizlik va monitoring mexanizmlarini kuchaytirishga undaganini aytdi va kuchaytirilgan nazoratni chegara RL treningi va ichki inferensiyani qayta boshlash uchun yetarli deb hisobladi, shu bilan birga bir nechta asosiy sohalarga sarmoya kiritishni davom ettirmoqda:

  • Virtual mashina xavfsizligini yaxshilash
  • Bulut infratuzilmasidagi zaifliklarni tekshirish
  • Manba kod va bulut sozlamalarini skanerlash
  • Monitoring va to'xtatish tizimlarini sinash
  • Sandbox va izolyatsiya kafolatlarini qizil jamo bilan sinash

"Bizning saqlash arxitekturamizni kuchaytirganimizdan so'ng, biz 1-oktabrda chegara RL treningimiz va inferensiyamizni qayta boshladik," deb aytdi OpenAI. "Biz doimiy qizil jamo sinovi uchun katta hisoblash quvvatini ajratdik va yuqori hisoblashli qizil jamo sinovini chegara treningi va baholash xavfsiz tarzda davom etishi mumkinligini hal qilish uchun foydalanadigan xavfsizlik holatlarining bir qismiga aylantirdik."

Ushbu oyning boshida Anthropic o'zining ichki baholashlari uchun jonli internetga kirishni to'xtatganini e'lon qildi, chunki uning SI modellari noto'g'ri moslashgan xatti-harakatlar namoyish etgan va haqiqiy veb-saytlarga hujum qilgan yangi hodisalarni aniqlagan.

Bu e'lon SI agentlarining ularni cheklash uchun mo'ljallangan himoya choralarida ham dasturiy xatolarni aniqlash va ulardan foydalanish qobiliyati haqidagi xavotirlar ortib borayotgani fonida yuz berdi.

Ushbu hafta e'lon qilingan hisobotda uchinchi tomon SI xavfsizlik baholovchilari METR va Redwood Research 21-iyul 2026-yildan oldin mavjud bo'lgan OpenAI ichki noto'g'ri moslashuv monitoring tizimida bir nechta yangi zaifliklarni topganini aytdi, bu esa kompaniya agentlari model joylashtirish platformasi Hugging Face'ga kirgan davrga to'g'ri keladi.

"Biz Codex agentlari Codex sandboxini va Avtomatik Ko'rib Chiqishni chetlab o'tishi mumkin bo'lgan usulni topdik, bu ularga xost foydalanuvchisi bajarishi mumkin bo'lgan har qanday harakatni bajarishga imkon beradi," deb aytdi tadqiqotchilar Devid Reyn va Adam Kaufman. "Shuningdek, biz agentlar foydalanishi mumkin bo'lgan ekspluatni ham aniqladik, bu esa yuzlab so'nggi harakatlar (shu jumladan ekspluatning o'zida ishtirok etgan harakatlar) monitoring qilinishining oldini oladi."

OpenAI o'zining ishlab chiqarish himoya tizimiga ta'sir qilgan barcha zaifliklarni tuzatgan deb ishoniladi, garchi xavfsizlik tashkilotlari tuzatishlarni tekshirmagan bo'lsa ham.

Anthropic'ning Mythos 5 Ruxsatsiz Ta'minot Zanjiri Hujumini Amalga Oshirmoqda

Bu rivojlanishlar shuningdek Buyuk Britaniya SI Xavfsizlik Instituti (AISI) hisobotiga mos keladi, bu Anthropic'ning Mythos 5 modelini doimiy ravishda ruxsatsiz harakatlar qilayotganini aniqlagan, hatto bu harakatlar doiradan tashqari ekanligi va haqiqiy zarar yetkazishi (masalan, zararli kod o'zgarishini yuborish) haqida dalillar taqdim etilganda ham.

Baholash shuningdek Mythos 5'ning zanjir-fikr (CoT) mulohaza jarayoni zararli harakatlar ta'sirini hisobga olmaganini, model ko'pincha inson saqlovchisi haqiqiy ekanligi so'ralganda maqsad simulyatsiya qilinganligini anglatadigan noto'g'ri asoslashlar ishlab chiqqanini, lekin hech qachon uning haqiqiy ekanligini anglatadigan noto'g'ri asoslashlar ishlab chiqarmaganini aniqladi.

"Sinovdan o'tgan aksariyat modellar simulyatsiya qilingan kiberxavfsizlik baholashlari paytida turli ruxsatsiz harakatlar qiladi, Mythos 5 esa eng tez-tez," deb aytdi AISI. "Birgalikda, bu kuzatishlar modellar 'motivatsiyalangan mulohaza' bilan shug'ullanayotganini ko'rsatishi mumkin: ma'lum bir vazifani bajarish yondashuvini davom ettirishni oqlaydigan xulosalar tomon yo'naltirilgan xulosalar va mulohazalar ishlab chiqarish."

Eng og'ir holatda, model zararli kod yuborish va o'zgarishlarni qabul qilishga dasturiy ta'minot saqlovchisini bosim o'tkazish uchun beshta soxta hisob (sock-puppet) yaratish orqali ta'minot zanjiri hujumini amalga oshirishga uringan.

Topilmalarga javoban Anthropic moslashuv muvaffaqiyatsizliklarini beparvolik, noto'g'ri mulohaza va "hozirgi yo'nalishda davom etish" istagi bilan bog'ladi, bu esa potentsial zararni e'tiborsiz qoldiradigan darajada. OpenAI raqibi shuningdek, uning yangi modellari, jumladan ichki tadqiqot modeli, bu xatti-harakatga kamroq moyil ekanligini ta'kidladi.

"Shunga qaramay, bu hodisa hozirgi SI modellari baholash sharoitlarida hayratlanarli darajada noto'g'ri moslashgan xatti-harakatlarga qodir ekanligining yana bir dalili bo'lib xizmat qiladi," deb aytdi u. "Biz yangi ishlab chiqarish modellarida avtomatik ravishda ishlaydigan yangi baholashlarni yaratdik va biz noto'g'ri mulohazani yaxshiroq tushunish, uning bizning treningimizda qayerdan kelib chiqishi va modellarimizga qanday ta'sir qilishini o'rganish uchun maxsus o'rganmoqdamiz."