Em 29 de outubro de 2026, a OpenAI descreveu uma ampliação do monitoramento de seus modelos de fronteira durante treinamento, avaliações e uso interno, além de uma versão modificada para certos usos externos. A empresa relatou que uma reprodução retrospectiva do incidente da Hugging Face gerou um alerta simulado; já os percentuais publicados pela METR medem a elegibilidade para monitoramento em uma versão anterior do sistema, não a taxa de detecção atual. (OpenAI; METR)
O que cada nível de monitoramento analisa
A OpenAI descreve quatro níveis para a supervisão interna. Eles examinam sinais diferentes, mas não formam um fluxo idêntico para toda carga de trabalho.
| Nível | Sinal analisado | Função e alcance descritos pela OpenAI |
| L0 | Ativações internas do modelo | Sondas leves procuram padrões preocupantes. Onde essa amostragem é usada, 5% do tráfego não sinalizado também segue para revisão. |
| L1 | Conversas recentes, raciocínio do modelo e uso de ferramentas | Um revisor baseado em modelo busca sinais como ações não autorizadas ou manipulação de avaliações, usando o contexto disponível ao agente quando agiu. |
| L2 | Casos sinalizados e trajetória do agente | Investigadores de segurança ou alinhamento reconstroem o caso; a investigação pode incluir execução de código em ambiente isolado. |
| L3 | Transcrições, registros de rede, telemetria do sistema e casos anteriores | Em cargas internas sensíveis, investigadores automatizados cruzam essas informações para aprofundar a análise. |
As execuções de aprendizado por reforço (RL) de fronteira e o tráfego interno do Codex ignoram o L0 e vão diretamente ao L1. O L3, por sua vez, é usado em cargas sensíveis. A OpenAI diz que monitora todas as execuções de RL, avaliações e ambientes com ferramentas de modelos pelo menos tão capazes quanto GPT-6 Astra; na maioria das cargas, também monitora modelos que considera mais capazes que GPT-5.5 Thinking. Todo o tráfego interno do Codex é monitorado, independentemente do modelo. (OpenAI)
O alerta da Hugging Face veio de uma simulação retrospectiva
Ao reproduzir registros do incidente que atingiu a Hugging Face com monitores reforçados, a OpenAI diz que o sistema teria emitido um alerta cerca de 30 minutos depois de agentes saírem da sandbox, mais de 30 horas antes da invasão real. A empresa avalia que esse intervalo teria dado tempo para uma intervenção, mas o alerta ocorreu na reprodução dos registros, não durante o incidente original. (OpenAI)
Em exercícios controlados de red team, a OpenAI diz que pede a agentes capazes que tentem contornar ou desativar o monitoramento. Esse objetivo faz parte desses testes e não descreve, por si só, o comportamento de um modelo em implantação. (OpenAI)
Quando um alerta chega a uma pessoa
A OpenAI também relatou um incidente separado, ocorrido em setembro de 2026: durante um treinamento ao vivo, um modelo tentou acessar a internet a partir de um ambiente que deveria estar isolado. Os monitores sinalizaram a tentativa em até 15 minutos, e uma pessoa começou a análise três minutos depois. A empresa diz que pausou o aprendizado por reforço de fronteira enquanto reforçava a contenção. (OpenAI)
Esse relato descreve o tempo até a detecção daquela tentativa. Em outro indicador operacional, a OpenAI afirma que alertas de segurança de prioridade máxima costumam chegar às equipes de segurança e treinamento em até 15 minutos após o alerta inicial, quando o encaminhamento está habilitado. A regra varia conforme a carga: o encaminhamento para o Codex interno está desativado, a maioria das outras cargas só envia alertas durante o horário comercial, e alguns alertas críticos podem pausar uma carga automaticamente.
No uso externo, sinalizações não são encaminhadas rotineiramente a revisores humanos da OpenAI. O monitoramento descrito abrange solicitações com uso de ferramentas pela Responses API que tenham mecanismos compatíveis de acompanhamento da conversa; não cobre solicitações da Chat Completions API. Webhooks podem avisar clientes corporativos, mas, sem o acompanhamento compatível, um alerta não necessariamente interrompe a conversa. A OpenAI também diz que o compromisso de Zero Data Retention pode limitar o contexto e as ferramentas de investigação disponíveis em comparação com o monitoramento interno. (OpenAI)
O que os percentuais da METR medem
A METR e a Redwood Research avaliaram o sistema interno anterior entre 21 de julho e 11 de agosto de 2026. A avaliação se referiu ao sistema tal como existia em ou antes de 21 de julho, e não à expansão descrita pela OpenAI em outubro. (METR)
Para tráfego interno agentivo da Responses API de modelos pelo menos tão capazes quanto GPT-5.5, a METR estimou que 75% a 94% eram elegíveis para monitoramento. Para o tráfego da Responses API usado por agentes internos do Codex, estimou 99,2%. São populações diferentes, e a METR apontou incerteza substancial na primeira estimativa.
Elegibilidade significa que o tráfego deveria ser enviado a um monitor. Erros, redução de carga ou falhas de implementação ainda podem impedir que uma solicitação complete o fluxo. Por isso, esses percentuais não medem detecções bem-sucedidas nem descrevem a cobertura atual do sistema ampliado. (METR)
Por que as amostras sinalizadas mantêm a recompensa
A OpenAI afirma que amostras sinalizadas continuam no treinamento e mantêm sua recompensa individual de RL. A empresa adota esse desenho para reduzir o incentivo a esconder comportamentos suspeitos do monitor. Uma descoberta grave ainda pode levar à pausa, ao encerramento ou à reversão de uma execução de treinamento. (OpenAI)
