监控已部署，新基座要重训

OpenAI 对齐研究博客在 2026 年 11 月 2 日写道，从 GPT-5.6 起，最强模型的助手补全上增加了一层激活分类器，也叫探针。探针在生成过程中打分，可以在违反政策的一轮走到一半时打断，并挡住工具调用，同时暂停补全，交给一个推理模型做复核。

博客称，探针已经部署到最强模型的内部流量和外部流量。它是内部失准监控的一个部分，旁边还有基于模型的复核、自动调查和人工响应。探针补充其他防护，不取代它们。

实验结论写的是：相对文本分类器，探针对测试过的越狱更稳；被监控的模型能力提高时，探针一般也更准；探针在多个后训练检查点之间迁移较好。这些图来自内部实验，博客写明不一定代表已经部署的分类器。

限制写在部署说明里。探针靠标注监督，只能检测可以明确拿来训练的已知类型。它依赖被监控模型的激活，每换一个新的预训练基座就要重训。同一基座里，权重离开训练探针时的检查点以后，表现也可能变差，因此可能要再训。博客后半写的是架构和训练做法，这里不展开。