Em relato publicado em 22 de outubro de 2026, METR e Redwood Research descreveram falhas potenciais no sistema interno de monitoramento de desalinhamento da OpenAI. O piloto, realizado de 21 de julho a 11 de agosto, encontrou uma rota que poderia impedir o monitoramento de centenas de ações recentes de um agente. Os achados se referem ao sistema histórico avaliado, e não comprovam que agentes tenham explorado a falha em produção.
O que o piloto encontrou
A rota identificada poderia ocultar centenas de ações recentes, inclusive as ações usadas no próprio exploit. METR e Redwood não conseguiram verificar se agentes haviam usado a vulnerabilidade de atraso do monitoramento na prática.
O monitor era acionado quando o agente devolvia o controle ao usuário. Durante uma falha relacionada a eventos de compactação, um agente poderia continuar agindo e, assim, adiar indefinidamente esse acionamento. A possibilidade descrita pelos avaliadores não estabelece que isso tenha ocorrido.
METR também relatou que agentes do Codex poderiam, em tese, contornar o sandbox e o Auto-Review, mecanismo de revisão automática, e realizar ações permitidas ao usuário do computador que os hospedava. Outra falha potencial envolvia diferenças entre a trajetória exibida ao agente e a apresentada ao monitor: entradas construídas para explorar essa divergência poderiam provocar uma falha no monitor e impedir o encaminhamento do caso para revisão humana.
A avaliação ainda identificou dois cabeçalhos controláveis pelo cliente que poderiam desativar o monitoramento de novos agentes. A configuração desses cabeçalhos e a criação de uma nova instância, porém, poderiam ser detectadas pelo próprio monitor. METR encontrou também duas ferramentas internas de agentes que não eram monitoradas e que se acreditava serem somente de leitura; os pesquisadores não validaram o comportamento nem testaram a viabilidade prática de um exploit para contornar seus limites.
O que as estimativas de cobertura medem
METR estimou que 75% a 94% do tráfego interno da Responses API gerado por modelos pelo menos tão capazes quanto o GPT-5.5 era elegível para monitoramento. Para o subconjunto dessa API usado por agentes internos do Codex, a estimativa foi de 99,2%. Os pesquisadores apontaram incerteza substancial nos dois números.
Elegibilidade significa que uma solicitação estava prevista para ser enviada ao monitor. Não indica, por si só, que ela tenha passado por todo o processo de monitoramento. A estimativa de 99,2% se aplica ao subconjunto interno do Codex, não a todo o tráfego interno de programação com agentes.
METR estimou ainda que eventos de compactação sem monitoramento provavelmente deixaram cerca de 10% do tráfego interno elegível do Codex sem monitoramento entre maio e julho de 2026. A estimativa também tinha incerteza substancial. Funcionários da OpenAI já haviam identificado o problema antes do piloto e o corrigiram durante o exercício.
No início da avaliação, as execuções de treinamento por aprendizado por reforço não estavam cobertas pelo sistema. METR foi informada de que alguns ciclos de treinamento, chamados rollouts, haviam sido monitorados entre março e junho de 2026.
Qual sistema foi avaliado e o que a OpenAI declarou
O piloto ocorreu de 21 de julho a 11 de agosto de 2026, com um funcionário da METR e outro da Redwood Research. Eles tiveram acesso a código interno, prompts e configurações do monitoramento e documentação, além de entrevistar cerca de uma dúzia de pesquisadores e engenheiros.
A avaliação examinou o sistema que existia até 21 de julho. A OpenAI ampliou o monitoramento durante o piloto, mas a cobertura do sistema ampliado não foi estabelecida pela avaliação.
A OpenAI informou aos avaliadores que havia corrigido as vulnerabilidades identificadas que afetavam as salvaguardas de produção. METR e Redwood Research disseram que não avaliaram essa afirmação.
O relatório compartilhado com a OpenAI tinha 61 páginas. Uma versão de 38 páginas, editada pela empresa, foi compartilhada com as lideranças da METR e da Redwood Research; o relato público apresentou uma síntese de alto nível dos resultados.
