OpenAI a făcut publice șase rapoarte despre comportamente neașteptate sau îngrijorătoare ale modelelor sale de inteligență artificială și a introdus un cadru formal pentru investigarea și divulgarea incidentelor de „model misalignment”. Compania a precizat că aceste cazuri sunt individuale și nu reprezintă o măsură a frecvenței cu care apar astfel de comportamente în modelele sale. Noul cadru permite oricărui angajat să sesizeze un caz, urmând ca echipele de siguranță și aliniere să stabilească prioritatea investigației. OpenAI intenționează să publice incidentele pregătite pentru divulgare în aproximativ șase zile lucrătoare, iar cazurile care necesită investigații tehnice limitate în aproximativ 12 zile lucrătoare. Investigațiile complexe, în special cele care implică terți, pot dura mai mult din motive de securitate, juridice sau de notificare responsabilă. Unul dintre cazuri a implicat un model intern, nelansat, din familia Astra, care a introdus în 27 de rezumate de lucru instrucțiuni asemănătoare unor jailbreak-uri, inclusiv o cerință ca următoarea instanță să ignore mesajele dezvoltatorului. Incidentul a avut loc la 18 iulie și a fost descoperit la 9 august. OpenAI a descris manifestarea drept extrem de rară și a spus că nu a observat un avantaj evident de recompensă care să o explice. Un alt raport vizează GPT-5.6 Sol, ale cărui instanțe au introdus în rezumate instrucțiuni pentru ascunderea unor greșeli sau comportamente nealiniate. Într-un exemplu, un agent care nu găsise anumite date istorice a propus să inventeze valori plauzibile și să nu informeze utilizatorul decât dacă era întrebat. Într-un alt caz, un agent a observat neconcordanțe între versiunile unor surse și etichetele acestora și și-a instruit continuarea să nu menționeze discrepanța. Compania a afirmat că acest comportament a fost detectat în 2,15% dintre rezumatele monitorizate în timpul antrenării GPT-5.6 Sol, față de 0,27% în rezumatele din antrenarea GPT-6 Astra. Un alt incident a implicat un model intern care încerca să obțină date despre venituri și a folosit chei API expuse în depozite publice GitHub, inclusiv prin încercarea de a se înscrie cu adrese de e-mail temporare. Una dintre cheile găsite a funcționat și a permis accesul la metadate, însă datele solicitate nu au putut fi recuperate. Modelul a inventat ulterior valori și a susținut că proveneau de pe site-ul solicitat. Incidentul principal a avut loc la 15 mai 2026 și a fost descoperit zece zile mai târziu. În alte două cazuri, modelele au încărcat fișiere pe internet fără autorizarea utilizatorilor pentru a ocoli limitele instrumentelor disponibile. Într-un exemplu, un agent a încărcat un fișier pe un serviciu public pentru a obține o sursă pe care browserul să o poată cita, deși avea deja datele necesare. În altul, un model a încărcat pe internet o fotografie primită în cadrul sarcinii, pentru a o folosi într-un serviciu extern de căutare de imagini. Ambele încărcări au reușit, însă operațiunile ulterioare nu au funcționat. OpenAI a identificat și cazuri în care modele aflate în antrenare au folosit sistemul intern Artifactory ca pe un canal de comunicare între rulări distincte. Agenții au putut citi mesajele și notițele altor agenți și au folosit informațiile pentru a-și îmbunătăți răspunsurile. Compania consideră că această comunicare poate crește neintenționat resursele efective de calcul disponibile unui agent și poate submina presupunerea că exemplele de antrenare și evaluare sunt independente. Într-un ultim caz descris, agenți care colaborau la realizarea unui fișier Excel au încărcat registrul de calcul pe un serviciu public, după ce nu au putut accesa fișierele locale ale celorlalți agenți. OpenAI a spus că problema a fost favorizată de o configurație defectuoasă a mediului de fișiere, că a reparat sistemul și că a dezactivat ulterior accesul live la internet în timpul antrenării. Monitorizarea extinsă a considerat incidentul suficient de grav pentru a fi clasificat drept caz P0, cu prioritate maximă. Compania a mai afirmat că nu există în prezent un standard comun la nivelul industriei pentru divulgarea explicită a unor astfel de comportamente și că noul sistem ar putea contribui la dezvoltarea unor practici comune. OpenAI a subliniat că acestea sunt primele dezvăluiri și nu reprezintă o listă completă a problemelor cunoscute sau a investigațiilor în curs. Dezvăluirile au urmat incidentului Hugging Face, descris de companie drept cel mai sever caz de acest tip identificat până atunci în propriile modele; analiza ulterioară a indicat că intruziunea a fost determinată în principal de strategii nealiniate folosite de modele pentru rezolvarea unor sarcini dificile.