Модель OpenAI GPT-Red атакует GPT-5.1 с 84% успешностью, снижая уязвимость к противодействию до 0,05%

По мониторингу Beating OpenAI представила GPT-Red — автоматизированную модель для red-teaming, предназначенную для выявления и эксплуатации уязвимостей безопасности в ее ИИ-системах. GPT-Red обучается конструировать атаки через prompt injection с помощью самообучения, а результаты передаются в обучение GPT-5.6.

В новых ранее не встречавшихся сценариях GPT-Red продемонстрировала 84% успешности атак против GPT-5.1, тогда как у человеческих red teams этот показатель составил лишь 13%. После противодействующего обучения GPT-5.6 Sol снизила успешность прямых атак через prompt injection до 0,05%. GPT-Red предназначена только для внутреннего использования.