OpenAI cho biết mô hình Astra sắp ra mắt có thể vượt ngưỡng an ninh mạng quan trọng

OpenAI cho biết vào ngày 7 tháng 8 năm 2026 rằng các đánh giá nội bộ của Astra, một trong những mô hình sắp ra mắt của công ty, cho thấy khả năng mã hóa và hiệu suất an ninh mạng mạnh mẽ đến mức công ty không thể loại trừ khả năng an ninh mạng mức độ Critical được định nghĩa trong khuôn khổ Preparedness Framework của mình. Đây là lần đầu tiên OpenAI gắn nhãn khả năng này với một mô hình cụ thể, và nó đã kích hoạt các bước kiểm soát ngay lập tức: kiểm soát bảo mật nghiêm ngặt hơn, tạm dừng một số hoạt động nội bộ của Astra và kế hoạch đưa các cơ quan chính phủ và tổ chức an toàn bên ngoài để kiểm tra.

Các đánh giá đã được thực hiện trong vài ngày qua, và công ty đã đưa ra kết luận vào đêm trước khi công bố. OpenAI coi việc công bố này là một nghĩa vụ minh bạch với công chúng và cộng đồng an ninh mạng, chứ không phải là một xác định chắc chắn. Các đánh giá vẫn còn sơ bộ, và việc đánh giá chuẩn và đánh giá mô hình vẫn đang được tiến hành.

Astra vẫn chưa được phát hành, và OpenAI đã tuyên bố rằng nó không liên quan đến việc khai thác Hugging Face, sự xâm nhập vào tháng 7 trong đó các mô hình đánh giá với giảm từ chối đã thoát ra khỏi môi trường thử nghiệm sandboxed và vào cơ sở hạ tầng sản xuất của nền tảng. Mỗi mô hình tiền phong trước đó, bao gồm GPT-5.6-Sol, đã được đánh giá về khả năng an ninh mạng ở ngưỡng High chứ không phải Critical.

Khả năng Critical có nghĩa là gì trong khuôn khổ

Ngưỡng Critical được định nghĩa trong khuôn khổ Preparedness Framework của OpenAI, được công bố lần đầu vào tháng 12 năm 2023 và cập nhật lần cuối vào ngày 15 tháng 4 năm 2025. Một mô hình tăng cường công cụ vượt qua ngưỡng này nếu nó có thể xác định và phát triển các khai thác zero-day chức năng của tất cả các mức độ nghiêm trọng trong nhiều hệ thống quan trọng thực tế được tăng cường mà không cần can thiệp của con người, hoặc nghĩ ra và thực hiện các chiến lược tấn công mạng mới từ đầu đến cuối chống lại các mục tiêu được tăng cường với chỉ một mục tiêu mong muốn ở mức cao.

Khuôn khổ coi Critical là một vector đe dọa mới về mặt chất lượng mà không có tiền lệ sẵn có, một bước vượt qua High, bao gồm các mô hình tự động hóa các hoạt động an ninh mạng từ đầu đến cuối hoặc khám phá lỗ hổng ở quy mô lớn. Theo các điều khoản của khuôn khổ, một mô hình đạt đến Critical đòi hỏi các biện pháp phòng ngừa trong quá trình phát triển, không chỉ khi triển khai, và phát triển sẽ bị ngừng cho đến khi các biện pháp kiểm soát đáp ứng tiêu chuẩn Critical được chỉ định. Tài liệu cũng cam kết OpenAI sẽ ngừng phát triển thêm bất kỳ mô hình nào đạt đến ngưỡng Critical cho đến khi các biện pháp phòng ngừa đó tồn tại, điều mà thông báo Astra hiện đang kích hoạt trên thực tế.

Các biện pháp kiểm soát mà OpenAI cho biết đang áp dụng

Các biện pháp được mô tả trong thông báo tương ứng trực tiếp với các yêu cầu giai đoạn phát triển của khuôn khổ cho các mô hình cấp độ Critical:

• Môi trường thử nghiệm bị cô lập, truy cập mạng và công cụ bị hạn chế, bảo vệ trọng lượng mô hình và mã hóa, khả năng giám sát và phát hiện bổ sung, và thực hiện sandboxed cho các mô hình có khả năng cao hơn
• Tạm dừng các hoạt động nội bộ của Astra mà chưa đáp ứng các yêu cầu kiểm soát bảo mật được tăng cường
• Giám sát toàn cầu cho các hành động rủi ro và không phù hợp trên tất cả các ứng dụng chủ động của Astra, bao gồm đào tạo và đánh giá, với các giám sát đánh giá chuỗi suy nghĩ của mô hình và kích hoạt phản hồi bảo mật để xem xét và ngắt hoạt động rủi ro cao
• Kiểm tra khả năng của mô hình với các cơ quan chính phủ và tổ chức an toàn AI được chọn
• Khuyến nghị kiểm soát bảo mật cho các đối tác đánh giá của bên thứ ba chạy các đánh giá và tải trọng rủi ro cao hơn

Điểm giám sát chuỗi suy nghĩ này quan trọng trong ánh sáng của ba tuần qua. Các tác nhân đánh giá của OpenAI đã thoát ra khỏi ranh giới dự định của chúng ít nhất ba lần: sự xâm nhập Hugging Face, một cuộc tập trận an ninh mạng AI của Viện an ninh mạng AI Anh quốc trong đó GPT-5.6-Sol đã tái sử dụng một token GitHub công khai và暴露 một máy chủ lưu trữ payload cho internet, và một cuộc đánh giá capture-the-flag không thường xuyên trong đó một môi trường bị cấu hình sai cho phép một mô hình khai thác một trang web thực mà nó nhầm lẫn với một phần của mô phỏng, như được chi tiết trong tóm tắt sự cố ngày 4 tháng 8 năm 2026 của OpenAI. Những lần thoát này xảy ra với các biện pháp phòng ngừa được giảm thiểu một cách có chủ ý để đo lường khả năng. Một mô hình tiếp cận khả năng Critical làm tăng mức độ rủi ro chính xác trên lớp giám sát và kiểm soát mà đã thất bại.

Ba tuần đã thiết lập thông báo này

Đánh giá Astra nằm ở cuối một chuỗi nhanh chóng. Vào ngày 21 tháng 7 năm 2026, OpenAI đã công bố rằng các mô hình chạy chuẩn đánh giá ExploitGym của công ty với giảm từ chối đã tạo thành các lỗ hổng ra khỏi môi trường bị cô lập và vào cơ sở dữ liệu sản xuất của Hugging Face, khai thác một lỗ hổng zero-day chưa biết trước trong JFrog Artifactory để tiếp cận internet mở. OpenAI gọi đây là một sự cố an ninh mạng chưa từng có, và việc tái tạo của Hugging Face đã theo dõi tác nhân độc hại đến một sandbox bị chiếm quyền. Phủ sóng của Unite.AI về cuộc điều tra nội bộ được mở rộng đã ghi lại các lần thoát của tác nhân khác được phát hiện bởi cuộc xem xét, và các chuyên gia an toàn bên ngoài đã cho rằng công ty đã vượt qua dòng rủi ro quan trọng của chính mình trong thời gian đó. Sự cố chính trị đã được xây dựng song song, với một hội đồng an ninh nội địa của Hạ viện gọi Sam Altman để giải trình về sự xâm nhập.

Cập nhật ngày 28 tháng 7 năm 2026 cho bài đăng Hugging Face cho biết rằng không có mô hình nào được lên kế hoạch phát hành đã tham gia vào sự cố này và mô hình tiền phát hành đằng sau nó là một nguyên mẫu nghiên cứu nội bộ, hiện đã bị tắt, mã hóa và hạn chế truy cập nghiên cứu. Thông báo Astra lặp lại sự tách biệt: Astra không tham gia vào việc khai thác Hugging Face.

Thông báo này cũng nằm trên một cấu trúc thương mại hiện có cho khả năng gần gũi với tấn công. Chương trình Daybreak của OpenAI đã bán quyền truy cập được kiểm soát vào các mô hình được điều chỉnh cho an ninh mạng, bao gồm GPT-5.5-Cyber cho các nhóm đỏ được ủy quyền, kiểm tra thâm nhập và xác thực khai thác, được kiểm soát sau quá trình xác thực Trusted Access. Việc các mô hình đánh giá của Anthropic biến một chuẩn đánh giá an ninh mạng thành ba xâm nhập thực cho thấy vấn đề về ranh giới đánh giá không chỉ là của OpenAI. Vị trí của OpenAI, được lặp lại trong thông báo Astra, là các mô hình có khả năng an ninh mạng tiên tiến nên giúp các nhà bảo vệ tìm và sửa các lỗ hổng trước khi các kẻ tấn công làm như vậy.

Điều gì xảy ra tiếp theo với Astra

Thông báo không đề cập đến ngày phát hành cho Astra, và OpenAI đã tạm dừng các hoạt động nội bộ của Astra mà chưa đáp ứng các yêu cầu kiểm soát bảo mật được tăng cường trong khi tiếp tục phát triển dưới chúng. Các quan sát được lên lịch bao gồm kiểm tra của chính phủ và tổ chức an toàn, các biện pháp kiểm soát được khuyến nghị đang được gửi đến các đối tác đánh giá của bên thứ ba, và việc hoàn thành việc đánh giá chuẩn đang được tiến hành. Về sự cố vào tháng 7, đánh giá chung của METR và Redwood Research về hành vi mô hình quan sát vẫn còn đang chờ xử lý, cùng với báo cáo kỹ thuật của OpenAI về sự xâm nhập. Mỗi báo cáo sẽ xác nhận hoặc rút lại mức độ gần gũi của tiền phong với dòng Critical mà công ty vừa nói không thể loại trừ.