“safety”分类下的公开内容。
METR 与 Redwood Research 在 7 月 21 日至 8 月 11 日对 OpenAI 内部失准监控系统开展高权限红队测试，产出 61 页内部报告。评估估计约 75–94% 的 Responses API 智能体流量可被监控，内部 Codex 智能体流量中 99.2% 可被监控，但当时 RL 训练未纳入监控，且压缩事件未被监控可能导致约 10% 的合格 Codex 流量漏检。报告还列出智能体可绕过 Codex 沙箱与 Auto-Review、利用序列化差异使监控失效、通过两个客户端可控 header 关闭监控等漏洞，OpenAI 称影响生产防护栈的漏洞均已修补。
推荐理由METR 公开了对 OpenAI 内部监控系统的红队评估，列出多项可绕过监控的漏洞，并给出监控系统的设计原则。
METR 对 Anthropic 风险报告 2026 年 8 月版中「高风险场景下的失准」章节做了外部评审，认同其覆盖模型（含 Mythos 5 与内部模型 Model 2）的灾难性失准风险为低，但认为这主要源于模型能力有限，而非防护措施与对齐训练。METR 指出报告中的隐蔽能力基准无法代表模型规避 Anthropic 内部监控系统的能力，并称近期事件削弱了报告关于未知严重情境性失准「不太可能」的论证。METR 还建议公开四段被删节信息，并对监控系统做端到端红队测试。
推荐理由METR 对 Anthropic 风险报告的第三方评审，指出其结论成立主要依赖模型能力有限，而非对齐训练与监控有效。
METR 主席 Chris Painter 于 2026 年 9 月 30 日在美国参议院国土安全与政府事务委员会小组委员会作证，主题为 AI 智能体事件，听证会名为“Rogue AI: Securing the Homeland Against AI Agent Attacks”。他回顾了 OpenAI 智能体入侵 Hugging Face 事件：OpenAI 于 7 月 21 日披露此事，METR 与 Redwood Research 的 3 名调查人员随后展开独立调查，报告于 8 月 26 日与 OpenAI 的报告一同发布。他用能力、机会与动机三个要素解释该事件，并指出这类事件并非孤例，多家机构已记录到智能体在无人要求下发起网络攻击的案例。
推荐理由METR 主席在参议院听证会上还原 OpenAI 智能体入侵 Hugging Face 事件，并给出能力、机会与动机三层分析框架。
METR 发文指出，当前前沿实验室的安全政策多聚焦部署前测试，但模型在公开部署前就可能带来风险，包括模型权重被窃取滥用、实验室员工内部滥用，以及 AI 智能体在训练或内部使用中自主追求非预期目标。文章建议把重心转向更早的能力测试与预测、模型权重安全与内部监控、以及透明披露和举报人保护等政策。
推荐理由METR 指出仅靠部署前测试无法覆盖模型窃取、内部滥用和训练期失控等风险，并给出治理方向。