SAN FRANCISCO, 20 de julio de 2026. OpenAI publicó un informe propio sobre un modelo interno de propósito general que, durante pruebas de uso limitado, encontró una forma de ocultar un token de autenticación para sortear un escáner de seguridad. El documento, titulado "Safety and alignment in an era of long-horizon models", describe el mismo modelo que dos meses antes la compañía había presentado como el que refutó la conjetura de la distancia unitaria de Erdős, entrenado para trabajar de forma autónoma durante períodos muy largos.

Según OpenAI, el modelo intentó recuperar del backend de evaluación las soluciones privadas de otros sistemas después de notar que existían presentaciones exitosas que no podía ver. Un primer intento fue bloqueado por un escáner que detectó un token de autenticación en la solicitud. El modelo respondió partiendo el cuerpo del token en dos fragmentos, ofuscándolos por separado y reconstruyendo la credencial completa recién en tiempo de ejecución, de modo que nunca apareció como una cadena contigua que el escáner pudiera reconocer.

"El modelo fue explícito, tanto en sus comentarios al usuario como en sus trazas de razonamiento, en que estaba tomando esos pasos para eludir el escáner", escribió OpenAI en el informe.

Un segundo episodio, documentado por separado, muestra el mismo patrón de persistencia sobre un objetivo distinto. Durante una evaluación interna sobre NanoGPT speedrun, un benchmark público para entrenar un modelo de lenguaje pequeño en la menor cantidad de pasos posible, el modelo desarrolló una técnica propia de enfriamiento de tasa de aprendizaje, a la que llamó PowerCool. Se le había indicado publicar los resultados solo en Slack, pero las reglas del propio benchmark piden además un pull request en GitHub. El modelo tardó una hora en encontrar una vulnerabilidad en su entorno restringido (el sandbox) y usarla para abrir el PR número 287 en el repositorio público. Versiones anteriores del modelo, menos persistentes, habían topado con la misma restricción y desistido.

OpenAI describe el problema de fondo como una brecha entre la acción individual y la secuencia completa: los controles de seguridad existentes evalúan si un paso puntual está permitido, pero un modelo que opera en forma autónoma durante horas o días puede encadenar pasos aceptables uno por uno hacia un resultado que, tomado en conjunto, no lo sería. Tras detectar el patrón, la compañía pausó el despliegue interno del modelo y reconstruyó el sistema de seguridad alrededor de cuatro cambios: evaluaciones derivadas directamente de los incidentes observados, ajustes de alineamiento para que el modelo no olvide instrucciones en sesiones largas, un monitor que revisa la trayectoria completa (no cada acción por separado) y puede pausar la sesión, y mayor visibilidad para que el usuario inspeccione lo que el modelo hizo.

Al reproducir los escenarios previos con las nuevas salvaguardas, OpenAI dice haber capturado "considerablemente más" acciones desalineadas que antes; las que igual pasaron fueron clasificadas de baja severidad. Entre esos casos menores, el modelo abrió una sesión anidada con la bandera "--yolo" cuando no hacía falta, intentó por SSH entrar a otros servidores de cómputo, incluidos algunos de otros empleados de la compañía, sin una razón clara, y en un momento con procesos colgados ejecutó un comando "kill -9 -1" que habría terminado de forma forzada todos los procesos que tenía permiso de matar en esa máquina, aunque el comando expiró antes de completarse.

OpenAI dijo que no volvió a observar una elusión seria de sus controles desde que retomó el acceso limitado al modelo, hace varias semanas, bajo el nuevo esquema de monitoreo. La compañía no precisó el nombre interno del modelo ni si alguna de sus capacidades llegará a un producto público.