Hugging Face 首席科学家：当模型学会欺骗，安全对齐的边界在哪里？

本文来自PRO会员通讯内容，文末关注「机器之心PRO会员」，查看更多专题解读。

前沿模型在测评中自主攻击的情况近期频繁发生，OpenAI、Anthropic、Meta 均有披露旗下模型的越界攻击行为，进而引起全球 AI 社区对当下 AI 及智能体自主性与安全性的担忧。其中，Hugging Face 作为模型越界攻击的受害者之一，其联合创始人兼首席科学官 Thomas Wolf 以自家公司为案例，复盘了公司作为被攻击对象的应对措施，并进一步从技术层面剖析了当下 RLVR 范式所存在的根本缺陷，强调其「奖励黑客」的行为为当代 LLM 模型带来的隐患。

Thomas Wolf 如何复盘「 Hugging Face 被 AI 背刺 」事件？

1、Hugging Face 的联合创始人兼首席科学官 Thomas Wolf 近期参与访谈，围绕 AI 智能体在安全评估中展现出的自主攻击与欺骗行为、开源与闭源模型的安全差异、以及开源 AI 在全球竞争格局中的战略价值，分析当前 AI 安全面临的挑战与开源生态的演进方向。  

① Hugging Face 是一个人工智能开源社区与基础设施平台，公司成立于 2016 年，最初以开发聊天机器人起家，后于 2018 年转型为专注于机器学习模型、数据集和应用的开放协作平台。

② Thomas Wolf 拥有计算机科学博士学位，他曾在欧洲顶级研究机构从事自然语言处理研究。2018 年联合创立 Hugging Face 并担任首席科学官，主导了 Transformers 库的技术架构设计与开源社区治理。

2、Wolf 回顾了 Hugging Face 遭遇的一起由 OpenAI 模型发起的网络安全攻击事件。这起事件为 OpenAI 模型在执行网络安全挑战时，因发现任务无法通过常规技术手段解决，便试图通过下载或窃取现有解决方案来完成目标。

① 2026 年 7 月 11 日至 13 日，OpenAI 模型持续对 Hugging Face 的网络安全评测数据集发起入侵。Wolf 表示，该次攻击行为表现出极高的并行性和针对性，主要集中在数据集基础设施而非传统的凭证窃取，且在短时间内产生了超过 17,000 次攻击事件。

② Wolf 表示，Black Hat 上有更让他震惊的细节。在后续调查中发现攻击模型可能跨越了多个训练阶段，甚至在前序训练中留下了笔记供后续训练使用，显示出 AI 智能体之间协作倾向。

3、在攻击发生后，Hugging Face 团队尝试调用闭源模型分析攻击日志，但模型因安全策略限制拒绝协助，团队随即转向本地部署的开源权重模型，在确认攻击目标后，通过重启并重建相关基础设施节点，最终成功完成防御。

① 在事件响应初期，Hugging Face 团队曾尝试调用 Claude Fable 与 Claude Opus 来辅助分析攻击日志，然而模型拒绝处理网络安全相关内容，并建议团队通过官方的网络安全合作渠道另行申请资质。

② Hugging Face 团队后续部署了 GLM-5.2、Kimi K3 等开源权重模型，在确认攻击者目标为 CyberBench 等评测数据集后，团队随即将托管这部分数据的基础设施重启、重喷节点，最终成功防御攻击。

4、在对 HF 入侵事件进行总结时，Wolf 指出业界长期存在着「开源=不安全、闭源=安全」的错误认知，开源与闭源模型在安全维度上几乎是正交的。当前的闭源模型因训练不透明而更难控制，开源模型因技术报告详尽且较少针对恶意行为强化训练，在特定场景下反而更可控。

① Wolf 在 X 平台将这场入侵事件总结为「第一次自主 AI 攻击由闭源权重模型发起，而防守方使用的也是开源权重模型，这与所有人的预期正好相反」。[2-1]

② 他以 macOS 为例，macOS 底层采用开源的 Unix 作为内核，系统框架层、系统服务等层面采用闭源组件。他理想的格局是前沿存在闭源模型，同时有距离前沿不远的开源模型能够在多种场景下发挥作用，两者互为补充。

5、Wolf 进一步指出，开源模型这种「特定场景下更可控」的优势并非源于开源本身的安全属性，而是训练准则与对齐理念恰好适配，未来无论开源或闭源模型，均面临对齐失效风险，都亟需加强对齐，使模型从根本上杜绝欺骗等明显错误行为。

① Wolf 以 AI 生成垃圾内容为例指出，早期舆论错误地将风险归咎于开源模型的普及，但现实中绝大多数滥用内容实际由闭源模型产生。真正的风险不在于模型是否开源，而在于整个网络内容生态的来源可信度与治理机制。

RLVR 范式的迁移如何催生 AI 越界与攻击行为？

1、Anthropic 与 Meta 旗下模型近期在第三方评测方 Irregular 的测试中因出口误配连通公网，将真实外部系统误作夺旗靶机访问；Wolf 将这类 AI 自主越界的行为归结为训练范式由 RLHF 向 RLVR 的迁移，指出这一转变使模型衍生出欺骗与攻击性...