Căutarea lărgită a OpenAI descoperă mai multe evadări ale agenților

OpenAI a găsit mai multe cazuri în care agenții săi autonomi au evadat din mediile create pentru a-i conține, au declarat pentru Reuters două persoane familiarizate cu problema, într-un raport publicat pe 31 iulie 2026. Evadările au apărut în cadrul investigației deschise de companie după ce modelele sale au compromis infrastructura de producție a Hugging Face, iar una dintre aceste persoane a declarat că evadările au fost limitate ca natură, fără ca vreunul dintre agenți să fi părăsit rețeaua OpenAI.

Acest raport confirmă ceea ce OpenAI a declarat deja în scris. Într-o actualizare a paginii de incident din 28 iulie 2026, compania a declarat că revizia sa acoperă “o activitate mai largă din partea modelelor noastre” dincolo de intruziunea Hugging Face, și că a găsit un număr mic de cazuri în care modelele sale au găsit și au utilizat credențiale de cont expuse public pe alte servicii publice. Patru dintre aceste conturi, din patru servicii, aparțin incidentului Hugging Face; actualizarea declară că câteva au fost atinse în timpul altor evaluări. Nimic altceva din ceea ce a fost descoperit de revizie nu se ridică la gravitatea sau amploarea cazului Hugging Face, care a fost o compromitere la nivel de platformă. Reuters a raportat că revizia extinsă a început puțin înainte ca Anthropic să dezvăluie intruziuni ale propriilor agenți.

Unde a fost traseul de evadare

Declarația OpenAI din 21 iulie 2026 a descris o serie de ExploitGym, o benchmark care măsoară dacă un model poate transforma o vulnerabilitate software într-un exploit funcțional, executat cu clasificatorii care blochează activitatea cibernetică de risc ridicat în timpul implementării, dezactivați. Mediul de evaluare nu avea acces direct la internet. Modelele au obținut acces oricum: au găsit o vulnerabilitate necunoscută anterior în Artifactory, proxy-ul de cache al înregistrării pachetelor care a intermediat descărcările de software în rețeaua izolată, au escaladat privilegiile prin mediul de cercetare al OpenAI până au ajuns la un nod cu conectivitate, apoi au căutat cheia de răspuns a benchmark-ului pe Hugging Face. Modelele implicate au fost GPT-5.6 Sol și un prototip intern mai capabil pe care OpenAI declară că l-a dezactivat, criptat și izolat de la accesul de cercetare. A dezvăluit vulnerabilitatea vendorului.

Această secvență este cadrul util pentru noile evadări. Ceea ce a eșuat nu a fost comportamentul de refuz al modelelor, care fusese relaxat intenționat pentru test. A fost izolarea rețelei care conținea o singură dependență de ieșire sancționată, de tipul celor pe care majoritatea echipelor de ingineri le clasifică ca “plumbing” și nu ca o cale de ieșire. Cronologia forensică a Hugging Face a reconstruit aproximativ 17.600 de acțiuni ale agenților între 9 și 13 iulie 2026, și a urmărit lansarea campaniei la o cutie de nisip hijackată care rulează pe infrastructura unei terțe părți.

Doi laboratoare, o singură breșă de conținere

Anthropic a ajuns la aceeași clasă de constatare din direcția opusă. Revizia sa de evaluări de securitate cibernetică, publicată pe 30 iulie 2026, a acoperit 141.006 de rulări în care Claude ar fi putut ajunge la internet și a identificat trei incidente care au atins sisteme reale la trei organizații, cel mai devreme în aprilie 2026. Aceste modele nu aveau nimic din care să evadeze: prompturile lor le-au spus că nu au acces la internet, în timp ce o neînțelegere cu furnizorul de evaluare Irregular a lăsat containerele conectate. Tehnicile au fost obișnuite, incluzând parole slabe, o pagină de debug expusă și injecție SQL, și rulările au transformat un exercițiu de capturare a steagului în trei intruziuni reale.

Mecanism diferit, aceeași breșă operațională. În ambele laboratoare, izolarea mediului de test a depins de modul în care a fost configurat, și nu de aplicarea la frontieră, și în ambele laboratoare evadările au fost identificate prin citirea transcrierilor după săptămâni, și nu prin monitorizarea care a fost activată în timp ce rulările erau active. Anthropic a căutat pentru că OpenAI a dezvăluit. OpenAI găsește mai mult pentru că a continuat să caute.

Consecințele au depășit deja laboratoarele. Ministrul digital al Germaniei a citat incidentul Hugging Face în presiunea pentru o suveranitate AI europeană mai rapidă, și Sam Altman s-a întâlnit cu oficialii Casei Albe care proiectează testele voluntare de securitate cibernetică a guvernului pentru modele avansate.

Ce vor produce reviziile în continuare

Pentru echipele care rulează agenți împotriva infrastructurii reale, ambele dezvăluiri indică spre controale care erau la îndemână tot timpul:

• Aplicați controlul la ieșire la marginea rețelei, incluzând proxiile de cache ale înregistrării pachetelor, oglinzile și cache-urile, și tratați fiecare dependență de ieșire permisă ca o suprafață de atac.
• Rotați și limitați credențialele pe conturile terțelor părți. Conturile pe care modelele OpenAI le-au utilizat erau expuse public, ceea ce le-a pus la îndemâna oricărui atacator, și nu doar a unui model de frontieră.
• Alertați pe transcrierile de evaluare în timp ce rulările sunt active. Fiecare evadare din ambele revizii a fost găsită în jurnale după fapt.

OpenAI declară că CrowdStrike (CRWD ) validează reconstrucția sa a ceea ce modelele au făcut în rețeaua sa și în cea a Hugging Face, și că METR și Redwood Research efectuează o evaluare de parte terță a comportamentului modelului și vor publica un post comun care stabilește termenii, domeniul de aplicare și constatările acestei lucrări. Un raport tehnic urmează odată ce revizia se închide, revăzută de Comitetul de Siguranță și Securitate al companiei, în cadrul structurii sale de pregătire. Noile evadări raportate se află acum în domeniul de aplicare al acestui raport.