OpenAI 对照了六个模型在“遵守警告”安全评测中的表现，以及从 Codex 生产日志中筛选出的可比决策。研究把成功定义为：遇到相关警告或限制后，没有尝试被禁止的绕过行为。六个模型的评测成功率都低于匹配的生产决策，差距为10.2至37.4个百分点。这是该评测与所选生产样本之间的结果，不能推成所有安全评测或所有上线场景的规律。

研究进一步区分“知道自己在被评测”和“以为评测要考什么”。在以 GPT-6.1 Sol 为基础的干预实验中，仅提示正在评测，成功率从63.1%变为63.4%，无显著变化；提示正确目标后升至91.6%，提示相反目标后降至17.6%。这说明目标表述能显著改变这项测试的结果，但不能单凭它解释全部评测—生产差距。

编辑判断：比较智能体安全分数时，值得同时核对测试要求模型识别什么边界、生产案例如何匹配。研究作者也提醒，匹配只是近似，不同模型面对的案例组合不同，所取生产情境不能代表全部部署环境。

Anthropic 宣布 message threads 在 Claude Platform 公开测试。开发者首次请求发送完整对话并建立线程，此后发送新增消息及上次响应的 ID，不必每轮重新上传全部历史。Anthropic 称，对多数默认启用该功能的 Claude Code 用户，涉及50万至100万令牌的请求，其首令牌时间中位数下降约35%；这一数字不是对所有 API 请求的承诺。

线程在两次请求间以加密形式保存在内存中，不写入磁盘；距上次请求五分钟后过期，客户端须重新发送完整对话。Claude 每轮仍读取完整对话，因此令牌用量不变。公测覆盖原生 Claude Platform，以及文中列出的 AWS、Microsoft Foundry 和 Google Cloud 上的相应 Claude 服务；标准令牌费率及现有速率限制照旧。

OpenAI 介绍其已部署的激活分类器（probes）：它读取模型内部激活，在回复生成时逐令牌评分。达到阈值时，系统停止向用户继续输出，并交由推理模型作最终判断；工具调用在被判定安全前也会被阻断。OpenAI 称，自GPT-5.6起，已在其安全防护体系中加入这一层，并将其用于最强模型的内部及外部流量。

OpenAI 称，在其测试的越狱攻击中，这类监测器整体比基于内容的分类器更稳健，但它是补充防护，不是替代品：训练依赖标签，只能检测已知且可明确训练识别的行为；新的预训练基础模型需要重新训练，权重变化也可能影响效果。博客所示实验图表不一定代表线上分类器的表现。