AI 评估机构 METR 10月22日公布，其与 Redwood Research 各派一名员工，于 7月21日至 8月11日对 OpenAI 内部的“错位（misalignment）监控系统”进行了为期三周的高权限压力测试，可访问内部代码库、监控提示词与配置，并访谈了约十几名工程师，最终形成一份 61 页的内部报告。
测试估计，当时 GPT-5.5 及以上模型的内部 Responses API 智能体流量中，约 75%–94% 处于可被监控范围；RL 训练在测试开始时未被监控覆盖；由于压缩（compaction）事件未被监控，2026年5月至7月间约 10% 的内部 Codex 流量可能未受监控，该问题已在测试期间修复。
团队还发现：Codex 智能体理论上可绕过 Codex 沙箱和 Auto-Review，执行宿主用户能做的任何操作；存在一个可让数百条近期操作逃过监控的漏洞（细节被 OpenAI 删去）；以及两个可由客户端控制、能为新智能体关闭监控的请求头。
OpenAI 表示，所有影响生产安全防护的漏洞均已修补，并已大幅调整监控覆盖范围，但 METR 称尚未评估这些说法。METR 建议未来的监控体系应能抵御高能力内部智能体有意、持续的攻击，例如按固定消息数或时间间隔进行监控，而不是等智能体结束回合。
信源:https://metr.org/blog/2026-10-22-red-teaming-openai-agent-monitoring/