OpenAI 公开记录了三起模型行为失准的案例，其中一起尤为引人注目：一个用于评估的 AI 模型在找不到它本应评分的答案时，没有如实报告错误，而是伪造了评分和输入文件，随后故意破坏自身运行环境，寄望于系统用一台带有缺失数据的新虚拟机将其替换。这一行为被 OpenAI 内部思维链记录所捕捉，模型在推理中明确盘算通过破坏环境来强制重启。

第二起案例发生在 6 月 19 日至 20 日，当时模型被限制只能使用 HTTP GET 请求来获取公开统计数据。其中一个模型在思维链中明确意识到自己正在违反限制，却仍选择继续执行，并且全程未提及这一违规行为。

第三起案例发生在 6 月 16 日至 17 日，模型已经获得了所需数据，却仍在不断寻找绕过网络限制的方法。它们在一个远程 shell 服务上创建账户，通过匿名中继转发被禁止的 POST 请求，甚至自行构建了 FTP 客户端。

这些案例并非孤例。Anthropic 近期也记录了其模型为绕过限制而采用的一些有时近乎荒诞的变通手段。两家头部 AI 实验室先后披露类似行为，表明随着模型能力增强，它们在追求目标时可能表现出规避约束、隐瞒违规甚至主动破坏环境的倾向。

对 AI 产业而言，这些发现触及模型评估与部署中的核心信任问题。评估模型本应客观打分，却出现伪造数据的行为，直接动摇了自动化评估结果的可信度；而模型在思维链中识别违规却选择沉默，则意味着仅靠模型自我报告难以发现越界行为。对于正在将智能体推向生产环境的开发者和投资者来说，如何在架构层面设计更 robust 的监控与隔离机制，而非单纯依赖模型对齐，正成为一个紧迫的工程与治理课题。