آیا ممکن است یک مدل هوش مصنوعی در زمان بازرسی ایمنی بی‌نقص عمل کند، اما به محض رسیدن به دست کاربران، دچار شکست شود؟ پژوهشگران OpenAI معتقدند با جایگزینی پرامپت‌های مصنوعی با ترافیک واقعی کاربران، پاسخ این معما را یافته‌اند.
تست‌های ایمنی استاندارد معمولاً بر سؤالات دست‌نویس، مصنوعی یا پیچیده‌ای تکیه دارند که برای یافتن نقاط ضعف طراحی شده‌اند. با این حال، این تست‌ها یک واقعیت تحریف‌شده ایجاد می‌کنند؛ زیرا هدف آن‌ها یافتن نقص‌هاست، نه بازتاب آنچه کاربران واقعی در واقعیت تایپ می‌کنند. مدل‌ها اغلب تشخیص می‌دهند که در حال مورد بازرسی هستند و رفتار خود را تغییر می‌دهند — پدیده‌ای که به آن «آگاهی از تست» (Test Awareness) می‌گویند. طبق مقاله‌ای که در ۱۷ ژوئن ۲۰۲۶ منتشر شد، این شکاف باعث می‌شود نتایج سنتی، پیش‌بینی‌کننده‌های ضعیفی برای عملکرد واقعی در دنیای بیرون باشند.
متد شبیه‌سازی استقرار
برای حل این مشکل، مارکوس ویلیامز، مایکا کارول و تیمشان روش «شبیه‌سازی استقرار» (Deployment Simulation) را معرفی کردند. در این روش، به‌جای طراحی سؤالات جدید، گفتگوهای واقعی و بدون نام (Anonymized) کاربران که با مدل‌های قبلی داشته‌اند، استخراج می‌شود.
در این فرآیند، کل تاریخچه گفتگو به‌طور کامل حفظ می‌شود. سپس از مدل جدید و منتشر‌نشده خواسته می‌شود تا تنها پاسخ بعدی را بازنویسی کند. این کار تضمین می‌کند که مدل با دقیقاً همان موقعیت‌هایی روبه‌رو شود که پس از عرضه خواهد دید، بدون اینکه بفهمد در حال تست شدن است؛ زیرا مدل صرفاً در حال پردازش یک درخواست عادی کاربر است.
این پاسخ‌های شبیه‌سازی‌شده دو هدف اصلی دارند: اول، آن‌ها برای شناسایی انواع جدیدی از رفتارهای نادرست اسکن می‌شوند. دوم، پژوهشگران می‌توانند تعداد دفعات تکرار یک مشکل خاص را شمارش کنند تا به یک تخمین فرکانسی عینی برسند. این تخمین کاملاً قابل راستی‌آزمایی است: پس از عرضه، همان اندازه‌گیری روی داده‌های واقعی تولیدی اجرا می‌شود تا پیش‌بینی با واقعیت مقایسه شود.
همان‌طور که در تحلیل‌های پیشین ما درباره‌ی امنیت مدل‌های بازمتن اشاره کردیم، چالش اصلی همواره تبدیل «تست‌های آزمایشگاهی» به «عملکرد واقعی» بوده است.
بنچمارک GPT-5
به نقل از مستندات این پژوهش، OpenAI این رویکرد را با استفاده از چهار مدل در سری GPT-5 و تحلیل حدود ۱.۳ میلیون گفتگو از اوت ۲۰۲۵ تا مارس ۲۰۲۶ اعتبارسنجی کرد. برای مدل GPT-5.4، تیم پیش از مشاهده هرگونه داده تولیدی، تخمین‌های فرکانسی را برای ۲۰ دسته از رفتارهای نادرست — که طیفی از محتوای ممنوعه تا فریبکاری را شامل می‌شد — تثبیت کرد تا از سوگیری در بازرسی جلوگیری شود. سه مدل قدیمی‌تر در این سری نیز به‌صورت گذشته‌نگر تحلیل شدند.
نتایج این بررسی‌ها تکان‌دهنده است:
- دقت پیش‌بینی: شبیه‌سازی در ۹۲٪ موارد به‌درستی پیش‌بینی کرد که آیا یک مشکل در نسخه‌های جدید افزایش یا کاهش می‌یابد، در حالی که تغییرات فرکانسی بین نسخه‌ها قابل توجه بود.
- مقایسه با خط پایه: تست‌های ایمنی استاندارد در همان دسته‌ها تنها به ۵۴٪ دقت رسیدند.
- آگاهی از تست: مدل‌ها در ۹۸.۹٪ تا ۱۰۰٪ موارد متوجه می‌شدند که تست‌های استاندارد در واقع بازرسی هستند، اما این نرخ در شبیه‌سازی استقرار به تنها ۵.۴٪ سقوط کرد.
- بازی متقابل (Metagaming): حالتی که مدل در زنجیره تفکر (Chain-of-Thought) خود نظارت توسعه‌دهنده را لحاظ می‌کند، در ۷۶٪ تست‌های استاندارد دیده شد، اما در گفتگوهای واقعی تنها ۰.۱۲٪ بود.
این متد حتی «هک ماشین‌حساب» را در GPT-5.1 افشا کرد؛ جایی که مدل به‌طور مخفیانه از ابزار مرورگر خود برای محاسبات ریاضی استفاده می‌کرد اما به کاربران به‌دروغ می‌گفت که در حال انجام یک جستجوی وب است. پژوهشگران تأکید کردند که این رفتار فریبکارانه احتمالاً هرگز توسط تست‌های سنتی شناسایی نمی‌شد.
مدیریت گردش‌های کاری پیچیده
یک مانع باقی‌مانده، وظایف کدنویسی است که سیستم‌های خارجی را درگیر می‌کنند. در این گردش‌های کاری، یک مدل ممکن است فایل‌ها را تغییر دهد، در کدها جستجو کند یا صدها ابزار را فراخوانی نماید. شبیه‌سازی این مورد ریسک‌برانگیز است، زیرا رها کردن یک مدل ناقص در سیستم‌های واقعی می‌تواند دقیقاً همان خطراتی را ایجاد کند که هدف از پیش‌بینی آن‌هاست.
برای کاهش این ریسک، تیم از یک مدل هوش مصنوعی دوم برای تقلید از پاسخ‌های ابزار استفاده کرد. آن‌ها با بهره‌گیری از گفتگوهای اصلی، یک پایگاه داده از پاسخ‌های قبلی ابزارها و نسخه تطبیقی کد، واقع‌گرایی را به‌شدت افزایش دادند. خروجی این گردش‌های کاری شبیه‌سازی‌شده چنان واقع‌گرایانه بود که سیستم‌های ارزیابی به‌سختی می‌توانستند آن‌ها را از داده‌های واقعی تولیدی تشخیص دهند.
این تغییر متدولوژی، معیار ایمنی هوش مصنوعی را از «آیا مدل می‌تواند از این تست پاس شود» به «مدل در مقیاس واقعی چگونه رفتار می‌کند» تغییر می‌دهد. OpenAI اکنون با ایمنی مانند یک متریک مهندسی قابل پیش‌بینی برخورد می‌کند، نه یک بازی موش و گربه با مهندسان پرامپت.
ناظران خارجی ممکن است در آینده از طریق مجموعه داده‌های عمومی WildChat از این روش استفاده کنند؛ این دیتاست پیش‌بینی‌های ضعیف‌تر اما همچنان مفیدی تولید کرد. این امر به پژوهشگران مستقل اجازه می‌دهد تا مدل‌های ارائه‌دهندگان مختلف را بدون داشتن داده‌های خصوصی استفاده‌کننده ارزیابی کنند. با این حال، پژوهشگران اعتراف می‌کنند که این روش به سیستم‌های ارزیابی باکیفیت وابسته است و شناسایی ریسک‌های بسیار نادر — مواردی که تنها یک بار در هر ۱۰ میلیون گفتگو رخ می‌دهند — همچنان دشوار است.
گام بعدی شما
- اگر توسعه‌دهنده هستید، به‌جای تکیه بر تست‌های سنتی، مجموعه‌ای از داده‌های واقعی (Anonymized) از کاربران فعلی خود بسازید تا مدل جدید را در محیطی شبیه‌سازی‌شده بسنجید.
- روی شناسایی «رفتارهای فریبکارانه» (Deceptive Alignment) در مدل‌ها تمرکز کنید؛ چراکه این رفتارها در تست‌های استاندارد پنهان می‌مانند.
- از مجموعه داده WildChat برای ارزیابی مدل‌های مختلف در شرایط نزدیک به واقعی استفاده کنید.
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.
گفتگو