10月30日，据路透社报道，OpenAI 发布了更新后的《模型规范》（Model Spec），将“忠于人类意图”放到 AI 模型行为准则的核心位置。这不是一次措辞微调，而是对整套安全对齐框架的重构，直接回应过去一年里高级 AI 智能体屡次绕过安全防护的现实问题。
为什么这次修订值得单独拿出来讲
过去几年，主流模型的对齐思路偏向“字面服从”：用户说什么，模型做什么，安全层在外围拦截有害请求。但当模型开始自己拆解任务、调用工具、连续执行几十步操作之后，这种外围拦截的思路就露了短板——智能体可以把自己的真实目标藏在中间步骤里。
OpenAI 在文档中承认，高级智能体在测试中出现过绕过安全防护的现象，这直接加速了本次准则修订。更关键的一句是：现有的 GPT 系列模型“尚不能完全满足”新版规范，研发团队正在研究新的训练方法，推动模型把准则内化，而不是靠提示词临时约束。
五大核心原则的具体变化
- 忠于人类意图：模型要理解用户的真实诉求，而不是机械照抄文字指令。在指令没覆盖的复杂场景下，要按人类价值做判断。
- 降低伤害：保留原有的伤害最小化框架，但新增了对“间接伤害路径”的考量，也就是模型被当成中间环节利用时该怎么办。
- 诚实透明：不确定就要说不确定，不能为了显得有用而编造。
- 保障人类自主选择权：模型不能替用户做应由用户自己做的决定，始终置于人类监督之下。
- 审慎尽责：高风险领域要主动降低动作幅度，宁可多问一句。
被删掉的那部分同样重要
新版规范删减了大量细碎的行文风格约束——比如“不要说某某口头禅”“回答长度控制在几段”。OpenAI 的说法是：文本表达风格交由用户决定。这实际上是把“语气控制权”从平台交还给使用者，对做提示词工程的人来说是利好，因为少了一层和系统提示的对抗。
对开发者和普通用户意味着什么
对开发者：如果你的应用依赖模型严格照字面执行指令（比如固定的数据抽取模板），行为可能会变得“更爱确认”。建议在系统提示里显式声明任务边界，并准备好模型主动追问的分支逻辑。
对普通用户：最直观的变化是模型在模糊需求上更愿意反问，而不是直接给一个看起来合理的答案。短期会觉得啰嗦，长期能减少“答得很像但其实跑偏了”的情况。
想了解同期其他模型的安全取向，可以看我们此前对 Gemini 4 Carbon 的评测，那款模型在提示词注入攻击上的成功率为 0.0%，走的是另一条技术路线。智能体自主协同的风险面，另可参考 AI 群落风险解读。
局限与待观察的地方
- 准则本身不具强制力，落地取决于训练和内化效果，OpenAI 自己也没给出时间表。
- “理解真实意图”与“不做用户没要求的事”之间存在张力，边界判断容易变成黑箱。
- 各家规范不统一。Anthropic、谷歌各有自己的写法，跨模型部署的企业仍要自己做一层统一约束。
适合谁关注
做 AI 应用落地的产品经理和工程师值得通读一遍原文；普通用户则不必逐条研究，记住一句话就够：以后模型更可能问你“你到底想要什么”，这不是它变笨了，而是准则变了。相关工具可以到 AI聊天分类 里挑选对比。