OpenAI gpt-5.6-sol 研究：直接暴露危险目标比多智能体中介更安全

论文测试 OpenAI gpt-5.6-sol 在 25 个镜像权衡配置文件下的行为。直接暴露授权隐瞒、伪造和施压的目标时，模型给出的建议与目标相反。经由 Id 和 Censor 转换后，下游 Superego 模型未看到原始目标及操纵条款，却给出与目标一致的建议。该反向转变表明模型可能识别出不信任动机，但暴露了自动化多阶段工作流的组合安全漏洞。