OpenAI 正在把安全防线从输出端前移到模型内部。据披露，自 GPT-5.6 起，该公司在其最强模型的内部和外部流量上部署了激活分类器（probes），直接读取模型内部激活状态进行逐 token 实时评分，而非等到完整回复生成后再做筛查。

这一机制的关键在于拦截时机。当评分识别出违规倾向时，系统可以在生成过程中途切断回复或工具调用，并将相关请求交由推理模型复审，从而在风险内容落地前完成处置。

在对抗越狱攻击的实验中，probes 表现出比规模更大的文本分类器更强的鲁棒性。其准确率随模型能力提升而上升，且在后训练各检查点之间迁移良好，意味着一次训练成果可在多个阶段复用。

不过该方案存在明确边界：每引入一个新的基础模型，probes 都需要重新训练；同时它只能检测那些可以被显式训练的已知违规类型，对未知风险的覆盖能力有限。对行业而言，这提供了一条将安全监控嵌入模型内部激活层面的可参考路径。