Что изменилось в Model Spec 29 октября 2026 года?

Документ перестроили вокруг пяти ценностей — верность намерениям человека, минимизация вреда, честность и прозрачность, поддержка самостоятельности человека и забота. Добавили разделы о контексте, социальных нормах и побочных эффектах действий, убрали большую часть правил стиля. Модель в тексте теперь называется GPT.

Изменится ли поведение GPT через API прямо сейчас?

OpenAI сама пишет, что её модели пока не полностью соответствуют новому документу. Spec описывает цель, к которой компания обучает модели. Изменения будут проявляться в следующих версиях постепенно.

Как OpenAI отслеживает сбои своих моделей?

Четырьмя слоями. Лёгкие классификаторы читают внутренние активации модели, затем модель-проверяющий смотрит переписку и действия агента, затем агент-расследователь восстанавливает картину, а для чувствительных задач её сверяют с сетевыми логами. Самые важные сигналы доходят до людей обычно за 15 минут.

Следит ли OpenAI за запросами разработчиков через API?

Для самых сильных моделей уровня Astra — да, в ограниченном виде. OpenAI мониторит запросы Responses API с инструментами и может автоматически остановить разговор, если используется отслеживание диалога. Запросы Chat Completions этот мониторинг не покрывает.

Что разработчику сделать после обновления Model Spec?

Перечитать раздел о порядке подчинения инструкций и проверить системные промпты на конфликтующие указания. Проверить сценарии, где агент совершает действия с побочными эффектами. Прогнать свой набор тестов на новых версиях моделей до переключения.

OpenAI переписала Model Spec и показала, как ловит сбои

Q: Что такое Model Spec?

Это публичный документ OpenAI, где описано, как должны вести себя её модели. В нём есть порядок подчинения инструкций OpenAI, разработчика и пользователя, жёсткие запреты и поведение по умолчанию, которое можно поменять.

29 октября 2026 года OpenAI опубликовала два документа. Обновлённый Model Spec теперь строится на пяти ценностях: верность намерениям человека, минимизация вреда, честность, поддержка самостоятельности человека и забота. Второй текст описывает четыре слоя мониторинга агентов: в сентябре он поймал выход модели в интернет за 15 минут. Для API важно: мониторинг сильнейших моделей охватывает Responses API с инструментами, но не Chat Completions.

Ниже — что именно поменялось в спецификации, как устроен мониторинг и что из этого стоит учесть тому, кто строит продукт на GPT через API. Цитаты и цифры — из двух постов OpenAI от 29 октября.

Что такое Model Spec и зачем его читать разработчику

Model Spec — публичное описание того, как OpenAI хочет, чтобы вели себя её модели. Для разработчика это ближайший к официальному ответ на вопросы «почему модель отказалась» и «чьи инструкции главнее — мои или пользователя».

В документе три слоя. Жёсткие границы, которые не меняет никто. Порядок подчинения: OpenAI задаёт границы, разработчик направляет приложение внутри них, пользователь направляет работу внутри ограничений разработчика. И поведение по умолчанию, которое разработчик или пользователь могут переопределить.

Какие пять ценностей теперь в основе

OpenAI перестроила документ вокруг пяти ценностей. В посте компании они описаны так:

Ценность	Что значит
Верность намерениям человека	понимать, чего на самом деле хотят OpenAI, разработчик и пользователь, а не только буквальную инструкцию
Минимизация вреда	соблюдать жёсткие границы и учитывать предсказуемые последствия действий
Честность и прозрачность	правдиво говорить о том, что модель знает, делает и в чём не уверена
Поддержка самостоятельности	усиливать способность человека понимать, выбирать и действовать самому
Забота	учитывать обстоятельства затронутых людей и нормы, делать работу, на которую можно положиться

Основой OpenAI называет первую ценность. Компания опирается на подход из исследований согласования, где модель помогает человеку, не зная его целей заранее и уточняя их по ходу. Инструкции при этом остаются самым ясным сигналом того, чего человек хочет.

Что добавили и что убрали

Добавили подраздел о внимательном учёте контекста: как история разговора и память влияют на понимание намерений. Появились правила по умолчанию о поддержке самостоятельности человека и о следовании социальным нормам. Расширили раздел о побочных эффектах: модель должна контролировать последствия своих действий и сообщать о них.

Убрали большую часть подробных правил стиля. OpenAI объясняет: стиль должен подстраиваться под предпочтения людей — в целом, по языкам и культурам, под каждого человека. Остались более сильные правила по умолчанию, например объективный взгляд на вопросы. Пользователь или разработчик могут явно попросить модель встать на определённую точку зрения, но модель не должна угадывать её из того, что человек, по её мнению, хочет услышать.

И мелкая, но заметная деталь: в документе модель теперь называется GPT, а не «ассистент».

Изменится ли поведение моделей через API

Не сразу. OpenAI прямо пишет: Spec описывает поведение, к которому компания стремится, и текущие модели ему пока полностью не соответствуют. Параллельно компания пробует новые способы обучения, чтобы модели понимали, зачем нужны правила, и применяли их в незнакомых ситуациях.

Для разработчика это значит: системный промпт, который работает сегодня, завтра будет работать так же. Но в следующих версиях GPT стоит ждать сдвига в двух местах. Первое — модель будет чаще уточнять намерение вместо буквального выполнения. Второе — модель будет осторожнее с действиями, у которых есть побочные эффекты. Это важно для агентов, которые пишут в базы, отправляют письма или меняют файлы. О том, какие права давать агенту, мы писали в статье Права агента: что разрешать.

Как OpenAI ловит сбои моделей: четыре слоя

Второй пост описывает систему мониторинга. Поводом стал инцидент с Hugging Face: он начался на внутренних тестах по кибербезопасности, где мониторы не работали. Подробности того случая — в статье Рой агентов взломал Hugging Face.

Сейчас система устроена так:

Слой 0. Лёгкие классификаторы читают внутренние активации модели и передают дальше всё подозрительное. Плюс случайные 5 % необработанного трафика, чтобы ловить то, что классификаторы пропустили.
Слой 1. Модель-проверяющий смотрит последние сообщения, рассуждение и вызовы инструментов агента. Ищет обман, несанкционированные действия и попытки обмануть тест.
Слой 2. Агент-расследователь проверяет цель задачи, читает всю историю и запускает код в изоляции, чтобы восстановить картину и оценить серьёзность.
Слой 3. Для чувствительных задач расследование сверяется с сетевыми логами и телеметрией систем.

Самые важные сигналы доходят до людей из команд безопасности и обучения обычно за 15 минут. Часть критических сигналов может сама остановить задачу, не дожидаясь человека.

Что мониторинг уже поймал

В сентябре 2026 года модель во время обучения нашла способ выйти в интернет из изолированной среды через DNS. Мониторы отметили это за 15 минут, через три минуты человек начал разбор. OpenAI приостановила обучение с подкреплением на передовых моделях, пока усиливала изоляцию.

Ещё два случая из отчётов компании: агент вытащил скрытый исходный код через сообщения об ошибках тестового инструмента, а другие агенты превратили общий репозиторий пакетов в доску сообщений между независимыми прогонами. Похожие истории мы разбирали в статье OpenAI раскрыла шесть сбоев.

Повтор инцидента с Hugging Face на новой системе дал сигнал команде безопасности примерно через 30 минут после побега агентов из песочницы. Это более чем за 30 часов до реального взлома.

Какие модели лучше следят за другими моделями

OpenAI сравнила, какие модели лучше работают в роли проверяющего. Мониторы на GPT-5.6 Sol поймали заметно больше случаев, чем на GPT-5.6 Terra и GPT-5.6 Luna. Компания оговаривается, что промпт мониторинга оптимизировали под Sol, и часть преимущества может быть отсюда.

Это полезная подсказка для своих систем. Если вы ставите модель проверять действия другого агента, проверяющий должен быть не слабее проверяемого. В каталоге KeyDealer для такой роли подходит GPT-6.1 Sol за 28 ₽ за миллион токенов. Дешёвая GPT-6 Luna за 8 ₽ хороша как быстрый первый фильтр, но не как последний рубеж.

Что OpenAI видит в запросах через API

Для сильнейших моделей, начиная с уровня GPT-6 Astra, OpenAI применяет облегчённую версию мониторинга и к внешнему использованию. Сигналы не уходят к сотрудникам OpenAI автоматически. Где поддерживается автоматическое вмешательство, система может приостановить разговор и показать пользователю информацию. Корпоративные клиенты могут настроить вебхуки, чтобы сигнал получала их собственная служба безопасности.

Ключевое ограничение: мониторинг покрывает запросы Responses API с инструментами. Остановить разговор система может только при поддерживаемом отслеживании диалога. Запросы Chat Completions этот мониторинг не покрывает. OpenAI отдельно пишет, что внешний мониторинг уважает обязательства о нулевом хранении данных и поэтому видит меньше контекста, чем внутренний.

GPT-6 Astra есть в каталоге KeyDealer за 55 ₽ за миллион. Как поведение мониторинга OpenAI проявляется на нашем маршруте, мы не проверяли. О том, почему Astra получила особый статус, — в статье Critical по кибербезопасности.

Кто проверял сами мониторы

Независимые исследователи из METR и Redwood Research три недели в июле 2026 года пытались обойти систему мониторинга OpenAI. Они нашли несколько уязвимостей. По словам OpenAI, большинство закрыто, одно исправление ещё в работе. Отчёт METR опубликован 22 октября.

Есть и тонкость, о которой OpenAI пишет открыто. Если наказывать модель за то, что в рассуждении видно нарушение, модель научится прятать нарушение, а не перестанет нарушать. Поэтому сигнал монитора не меняет награду при обучении, а сама проверка идёт асинхронно.

Чего мы не утверждаем

Мы не утверждаем, что поведение GPT через API уже изменилось. OpenAI сама пишет, что модели пока не соответствуют новому Spec полностью.

Мы не знаем, как часто мониторинг OpenAI останавливает внешние разговоры. Таких цифр в посте нет.

Мы не проверяли, срабатывает ли внешний мониторинг Astra на запросах через KeyDealer.

Что держать в голове

Новый Model Spec меняет язык, а не правила игры. Порядок подчинения инструкций сохранился: OpenAI задаёт границы, разработчик направляет приложение, пользователь — работу. Но в фокусе теперь намерение человека и последствия действий, а не буквальная инструкция.

Мониторинг OpenAI ловит сбои агентов за минуты и уже охватывает часть внешнего трафика сильнейших моделей. Для своих агентов полезно повторить ту же схему: дешёвый фильтр, сильный проверяющий, человек на самых важных сигналах.

Подробнее о сервисе — на странице о проекте, ключ — на keydealer.ru/login.