OpenAI 因模型逼近「關鍵網路攻擊能力」門檻，緊急喊停前沿強化學習訓練
OpenAI 官方部落格 · 2026-08-18
核心改動
OpenAI 於 2026 年 8 月 18 日發布政策文章，宣布因一起資安事件、以及內部代號 Astra 的模型初步顯示可能觸及《Preparedness Framework》定義的「關鍵（Critical）」網路攻擊能力等級，暫停對即將部署模型的強化學習（RL）訓練兩週，其中規模最大的一支前沿 RL 訓練仍維持暫停。關鍵網路攻擊能力在該框架中被定義為：模型能在多個經強化防禦的真實關鍵系統中自主開發可用的零時差漏洞，或僅憑一個高層次目標即可設計並執行一次完整的新型攻擊。
技術防護措施
暫停期間，OpenAI 針對研究環境進行了一輪加固，目標是讓單一遭入侵的工作負載不足以觸及網際網路或內部其他網路。具體變更包括：
- 對研究叢集加嚴沙箱與網路隔離，移除有漏洞的共用服務並降低常駐權限
- 暫停研究叢集中具備潛在網際網路存取能力、可呼叫工具的前沿模型推論工作
- 要求任何程式碼執行類工作負載恢復前必須經個案審查
影響範圍
在監控面，OpenAI 為高風險訓練、評測與工具使用推論導入了逐符（token-level）啟動分類器，以取樣方式檢視模型內部活動，並搭配自動化調查系統檢查工具呼叫、推理過程與上下文是否違反政策。官方將關鍵安全邊界違規的目標警報時間訂為 30 分鐘，並估計此套監控機制會為受監控模型增加約 20% 的額外推論算力開銷。
原始來源：OpenAI: Pacing model development in an era of cyber-critical capabilities
LiquidAI 用量化感知蒸餾榨出可跑在邊緣裝置的 LFM2.5 Q4_0 模型
Hugging Face Blog (LiquidAI) · 2026-08-19
核心改動
LiquidAI 於 2026 年 8 月 19 日在 Hugging Face 發布 LFM2.5 系列的 Q4_0 量化檢查點，涵蓋 230M、350M、1.2B、2.6B 四種參數規模。這批檢查點並非單純事後量化，而是採用量化感知蒸餾（quantization-aware distillation, QAD）：以高精度教師模型為基準，直接將一個已量化的學生模型作為蒸餾目標進行訓練，藉此在訓練階段就補償量化造成的誤差。
精度與效能數據
官方公布的評測涵蓋 GPQA Diamond、MMLU-Pro、IFEval、GSM8K、AIME25 五項基準。QAD 版 Q4_0 檢查點在四個尺寸上都恢復了 BF16 基準 96.5% 至 97.4% 的準確率，同時在解碼吞吐量上有 4% 至 33% 的提升，測試裝置涵蓋：
- MacBook Pro
- NucBox EVO-X2
- Samsung Galaxy S26 Ultra
- Raspberry Pi 5
就品質而言，230M／350M 模型的 Q4_0 檢查點達到原本 Q5_K_M 量化格式的水準，1.2B／2.6B 模型則達到 Q4_K_M 的水準，但兩者的解碼速度都更快。
原始來源：LiquidAI: LFM2.5 Q4_0 Checkpoints from Quantization-Aware Distillation、LFM2.5-2.6B-GGUF