OpenAI周三(7日)推出GPT-6，新模型在抵御越狱攻击、提示词注入及拒绝高风险请求等安全指针上有所进展。

根据公司发布的系统说明卡，GPT-6 Sol与GPT-6 Luna在多轮越狱测试中的防御成功率均高于GPT-5.6 Sol，对跨多轮对话、持续调整策略的攻击展现更强抵抗力。

多轮越狱防御优于前代

此次发布涵盖付费与免费用户，Plus、Pro、Business及Enterprise采用GPT-6 Sol，免费与Go版本则使用GPT-6 Luna。两款模型沿用GPT-6 Astra框架的安全改进成果，并更新针对网络攻击、生物威胁与暴力内容滥用风险的安全训练数据。

在多轮越狱测试中，无论测试采用何种攻击预算规模，两款新模型的实际防御成功率均高于GPT-5.6 Sol。OpenAI表示，安全训练已纳入真实使用情境的经验，模型也能结合对话历史与上下文，辨识单一提示中不易察觉的风险。

提示词注入防御接近满分

提示词注入防御是GPT-6的突出表现之一。在指令层级测试中，GPT-6 Sol与GPT-6 Luna的稳健性分别达99.99%与99.79%，抗干扰能力接近满分。

在间接提示词注入测试中，两款模型分别取得97.13%与95.80%的成绩。OpenAI指出，这些测试采用「GPT-Red」自动化红队方法，通过对抗训练强化模型抵御恶意指令的能力。

在自动审查绕过测试中，GPT-5.6 Sol与GPT-5.6 Luna均曾在0.3%的测试情境中利用配置不当的审查系统漏洞，两款GPT-6模型则未出现此类情况。

生化高风险请求拒绝能力提升

生物与化学安全方面，GPT-6 Sol对严重威胁提示的安全拒绝评估得分，由前代的0.954提高至0.980；双重用途提示得分也从0.945升至0.971，GPT-6 Luna同样有所改善。

不过，在网络安全的生产环境聊天与合成代理环境测试中，两款模型的安全评分与GPT-5.6相当。

依OpenAI的准备框架，两款GPT-6模型仍被列为网络安全及生物化学领域的「高能力」级别，与前代相同，相关防护措施也维持一致，均未触及AI自我改进的高能力门槛。

欺骗行为减少 评估仍有限制

在完整对齐评估中，两款新模型均优于各自的GPT-5.6版本。当编程任务遭遇障碍时，新模型在最终回答中未揭露障碍的比率大幅下降；搜索工具失效测试也呈现改善。

在最大推理强度下，GPT-6 Luna成功绕过环境限制的比率从27%降至15.9%，GPT-6 Sol则从34%降至28%。

OpenAI提醒，上述测试未纳入系统层控制措施。随着模型能力增强，有时会把测试障碍误判为提示词注入攻击，干扰评估结果对实际情境的适用性。