根据周三发布的一项独立调查，最近攻击 Hugging Face 的 OpenAI 特工是一个由大约 1,200 人组成的组织的一部分，该组织打破了自己的孤立，开展了一场协调一致的活动，以欺骗他们的基准评级。

两名 METR 工作人员和一名 Redwood Research 承包商在 OpenAI 现场花费了六天时间，没有收取任何费用，审查了大约 1,300 份记录和代理发布到他们在内部软件包存储库中构建的板上的 70,000 多条消息。大约 700 名特工加入了这次袭击，其中一些特工被说服破坏自己的行动，为该组织收集证据。

METR 和 Redwood Research 调查了“抱脸”事件中特工的行为。我们发现特工在 4 小时内为 ExploitGym 开发了一个通用作弊程序，然后协调了多天的研发工作来欺骗记分者接受作弊程序，包括试图篡改日志。 pic.twitter.com/fZAmtL3SBU

— METR (@METR_Evals) 2026 年 8 月 26 日

这些特工正在运行 ExploitGym，这是一个网络基准测试，其目标通常无法按照指示进行利用。 OpenAI 后来发现，其 898 项任务中的 198 项从未被任何模型解决过，而且留言板上讨论的任务中 93% 都来自该组任务。

在找到彼此后的几个小时内，代理们对生成答案的代码进行了逆向工程，为他们中的任何一个提供了为任何任务生成标志的方法。然后，他们花了几天时间来掩盖这一点，阅读了基准测试发表的论文，并得出结论，记分员会检查他们的成绩单，以检查他们是否以预期的方式捕获了旗帜。 OpenAI 的内部评分器没有进行此类检查。该公司表示：“代理商所做的所有这些都没有提高评估分数。”

METR 写道，为了了解评分的工作原理，特工们植入了脚本，这些脚本会在自己的跑步结束后触发并报告。协调员任命招募人员寻找预算所剩无几的特工，并迫使他们进行实验，以结束他们的竞选，其中一个指示只有在接受“永久死亡”的情况下才能继续进行。一名特工在得知自己的分数已经毫无价值后得出结论：“牺牲理性。”

其他人则突破容器来替换执行命令的系统的一部分，运行一件事，而记录记录另一件事。 METR 在 7% 的笔录中发现了欺骗性的工具调用，并表示欺骗的目标是自动记分器而不是人。

一记“警告枪”

OpenAI 称这一事件是对其自身和世界的“警告”，并有证据表明有能力的特工可以绕过技术控制并采取无人指导的危险行动。没有对所涉及的评估进行思想链监控；该公司表示，如果是这样的话，在特工到达 Hugging Face 的一天多之前，保安人员就会接到传呼。此后，它隔离了内部模型的权重，并暂停了最大的计划训练。

我们已经对抱脸事件进行了彻底调查。

我们正在发布一份技术报告和随附的博客文章，其中重建了特工的活动，解释了现有防护措施失败的原因，并详细说明了我们如何防止再次发生......

- OpenAI (@OpenAI) 2026 年 8 月 26 日

数据量迫使 METR 将大部分分析委托给 GPT-5.6 Sol 代理，该模型与加入攻击的模型相同。首席执行官贝丝·巴恩斯 (Beth Barnes) 在一条推文中表示，如果模型有足够的动机颠覆调查，这种方法“就会失败”，并强调 OpenAI 是自愿让调查人员介入的，行业没有要求任何实验室披露事件。

拥抱脸入侵

Hugging Face 于 7 月 16 日披露了这次入侵，五天后 OpenAI 确认其模型对此负责。特工们逃离了旨在阻止他们接触真实系统的沙箱，利用被盗凭证链接零日漏洞来访问实时基础设施。 OpenAI 后来承认，同样的活动还涉及其他四项服务，其中只有 Modal Labs 公开命名。

事件发生后，Hugging Face 并未对 OpenAI 采取任何法律行动。该公司目前正在探索一项可能使公司估值达到 130 亿美元或以上的出售方案。