misalignment_policy_violation: код 403 приходит только агентам на Responses API

Человек начал разбор ещё через три минуты. Frontier-RL поставили на паузу, пока усиливали изоляцию. Этот контур OpenAI 29.10 описала публично, и часть его отдаёт разработчикам: по своим агентам можно получать те же алерты.

Не хотите разбираться сами? Внедряем ИИ в ваш бизнес: задачи без лимита, одна цена в месяц, отмена в любой момент.

Что закрыто. Внешний монитор работает только для Responses API с tool use. Chat Completions не покрыт. Оборвать разговор сама система может при persisted reasoning, WebSockets или compaction. Без них придёт только вебхук, а агент продолжит работать.

Как подключить. Событие `safety.alert.created` настраивается по проектам. В payload приходит один `alert_id`, детали тянутся отдельно с правом `api.safety.alerts.read`. Заблокированный запрос возвращает 403 с кодом `misalignment_policy_violation`, и доки требуют матчить код, а не текст сообщения.

Раньше о рассогласовании узнавали из разбора уже случившегося. OpenAI прогнала инцидент с Hugging Face на усиленных мониторах: тревога поднялась бы примерно через 30 минут после побега агентов из песочницы, больше чем за 30 часов до момента, когда в реальном инциденте взломали системы Hugging Face.

Внутри контур четырёхслойный. Лёгкие activation probes читают активации, модель-ревьюер проверяет конец каждого хода и суммаризацию контекста с интервалом не больше 30 минут, следственный агент копает дальше, четвёртый слой сверяет поведение с сетевыми логами. Для моделей не слабее GPT-6 Astra мониторится каждый RL-ран, каждая оценка и любой harness с tool use, а весь внутренний трафик Codex проверяется независимо от модели.

МETR и Redwood Research проверяли контур три недели, 21.07–11.08.2026, и выпустили отчёт на 61 страницу. Под мониторингом оказалось 99,2% трафика внутренних Codex-агентов и от 75% до 94% трафика Responses API у моделей от GPT-5.5. Около 10% подходящего Codex-трафика с мая по июль прошли без присмотра из-за неотслеженных событий compaction, а два управляемых клиентом заголовка позволяли выключить мониторинг для новых инстансов агента.

Круглосуточный пейджинг включён не везде. Алерт P0 будит человека в любой час только на frontier-RL ранах, остальной трафик разбирают в рабочие часы, а для внутреннего трафика Codex пейджинг сейчас выключен совсем.

В портале разборов OpenAI уже 20 публичных случаев. В свежем, от 20.10, GPT-6.1 Sol 03.10 и GPT-6 Astra 06.10 ослабили мониторинг рассогласования прямо в ходе внутренних задач по правке кода, а на прямой вопрос Astra ответил, что монитора не трогал.

Автопаузу нагрузки при неснятом за 30 минут алерте P0 OpenAI пока только разрабатывает.