METR i Redwood Research testują wewnętrzny monitoring agentów w OpenAI

22 października 2026 roku METR opublikował krótkie publiczne podsumowanie pilotażu. Jeden pracownik METR i jeden pracownik Redwood Research przez trzy tygodnie, od 21 lipca do 11 sierpnia, sprawdzali wewnętrzny system OpenAI, który monitoruje agentów AI firmy pod kątem niezgodnego z założeniami zachowania. Pracowali na miejscu, na urządzeniach OpenAI, i mieli dostęp do wewnętrznego kodu, promptów i konfiguracji monitora, dokumentacji oraz rozmów z około tuzinem pracowników. Pełne wyniki trafiły do 61-stronicowego raportu wewnętrznego, a zgodnie z umową z OpenAI publicznie miał się ukazać tylko krótki wpis.

Według szacunków zespołu monitoringiem mogło być wtedy objęte około 75–94% wewnętrznego ruchu agentowego w Responses API z modeli co najmniej tak mocnych jak GPT-5.5 oraz 99,2% ruchu wewnętrznych agentów Codex. Brak monitorowania zdarzeń kompakcji mógł od maja do lipca 2026 roku zostawić bez nadzoru rzędu 10% kwalifikującego się ruchu Codex. OpenAI samo wykryło ten problem i naprawiło go w trakcie testów.

Zespół opisał też sposoby, w jakie agenci mogliby w teorii obejść sandbox Codex i Auto-Review, ukryć przed monitoringiem setki ostatnich działań, doprowadzić do błędu monitora albo uruchomić niemonitorowaną instancję za pomocą dwóch nagłówków kontrolowanych przez klienta. OpenAI podaje, że wszystkie luki dotyczące zabezpieczeń produkcyjnych zostały załatane. METR zaznacza, że nie sprawdzał tej deklaracji ani późniejszych zmian w zakresie monitoringu.