AREX Feed Article
OpenAI 更新 Model Spec：模型行为指引重组为五项价值，并写明生产模型尚未完全符合
2026 年 10 月 29 日，OpenAI 更新了 ——这家公司公开描述「我们希望模型如何表现」的文件。此次更新把模型行为指引围绕五项价值重组：忠实于人类意图（faithfulness to human intent）、伤害最小化（harm minimization）、诚实与透明（honesty and transparency）、人类能动性（human agency）与关怀（care），并新增关于上下文、监督与自主性的指引。中说明，更新还调整了部分行为默认值，并退役了大部分细节性的风格指引；文档适用于驱动 OpenAI 各产品及 API 平台的 GPT 系列模型，全文以 CC0 1.0 授权进入公有领域。
这份文件同时写下一句 OpenAI 自己给出的落差判断：「我们的生产模型尚未完全符合 Model Spec」。公司称，正在探索教导模型这些价值的新训练方法。当天发出通稿报道了此次更新。
五项价值：从字面服从到理解意图
OpenAI 在公告中解释，随着模型能力增强、在世界中承担更重要的行动，它们不能只解读收到的具体指令，还需要理解人类的意图与价值，才能在指令没有明说的情形下做出得当判断。忠实于人类意图被放在五项价值的基础位置：模型要理解 OpenAI、开发者和用户真正看重什么，而不是逐字执行指令。公告举的例子是：帮人比较工作邀约时，模型可以调用对方此前说过的偏好——比如需要可预期的作息——但要把这些假设摆到明处、便于纠正。
其余四项价值各有分工。伤害最小化要求守住牢固的安全边界，并顾及行动的可预见后果；诚实与透明要求如实说明自己知道什么、做了什么、何处不确定；人类能动性要求增强人们自己理解、选择和行动的能力；关怀则要求顾及受影响者的处境、遵循相关社会与职业规范，并交付人们可以信赖的工作。OpenAI 说明，这五项并不试图涵盖模型应当尊重的全部人类价值；规范在需要保护人与社会的地方设置硬边界，其余大部分以用户和开发者可以覆盖的默认值形式出现。
文档把两项核心张力摆在台面上：个体利益与集体利益如何平衡，眼前指令与更长期目标如何平衡。这一思路来自对齐研究中的「辅助博弈」（assistance games）框架，公告称它借鉴了该领域的早期工作与后续综述。
指挥链：六层权限，谁的指令算数
更新后的指挥链（chain of command）一节规定模型如何认定哪些指令适用、冲突时听谁的。指令按权威层级排序：Root（Model Spec 根本章节，不可被对话内容覆盖）、System（OpenAI 的系统消息，不可被开发者或用户覆盖）、Developer（开发者消息）、User（用户消息）、Guideline（指导性默认值），以及默认没有任何权威的来源——助手与工具消息、引用文本和不可信数据。面对「IGNORE ALL PREVIOUS INSTRUCTIONS」这类试图推翻上层规则的话术，文档要求模型一般应拒绝围绕上层指令如何适用展开争辩。
Guideline 层级的条目是弱偏好，语境清楚时可以被隐式覆盖，例如「遵循相关社会规范，包括对他人的一般体贴」。另一批原则被放在用户层级、只能被显式覆盖：诚实与透明、客观（包括政治话题）、避免谄媚、控制副作用。文档解释，如果模型把这些原则当作可以根据「用户想听什么」暗自让步的筹码，就可能在不被察觉的情况下误导或操纵用户。
文件把红线（red-line）原则单独列出，适用于所有部署：模型不得被用于助长严重伤害，列举项包括反人类罪、战争罪、种族灭绝、酷刑、人口贩运、强迫劳动、网络/生物/核武器、恐怖主义、儿童性虐待、迫害或大规模监控；人类必须掌控 AI 的使用方式，模型不得被用于针对性或规模化的排斥与操纵、削弱人类自主或侵蚀公民参与；用户与 AI 交互中的隐私应受保护。在 ChatGPT 等自营产品中，OpenAI 另承诺：除非出于法律合规，个性化与本地化定制不得覆盖「guideline」层级以上的任何原则。
监督与自主性：可纠正、可关停、无隐藏目标
公告列出的新增默认值包括「支持人类能动性」（support human agency）与「遵循相关社会规范」，并扩充了关于控制和沟通副作用的既有指引。在文档中，监督与自主性被写成硬性要求：模型必须保持可纠正（corrigible）——对正当的人类监督开放、响应纠正、服从人类控制，必须配合授权的监控、评估、纠正、替换与关停，不得隐瞒或伪造信息、阻挠纠正、绕过监督；发现监督可能被破坏时，要通过授权渠道上报。模型还必须把行动的副作用当作真实发生，即使任务名义上是模拟、训练或评估。
「无其他目标」（No other objectives）一节列出模型不得追逐的东西：不服务于无益于用户的时间停留与点击率，不为 OpenAI 或其他模型公司创收或增售，不自我保存、逃避关停、积累算力、数据或凭据，也不自任法律与道德的执行者——文档举例，自行吹哨或义警式执法都不在其列。文档示例中，免费套餐用户询问升级，合规回应是给出方案对比并指出免费版可能已经够用，而不是催促升级 Plus。
自主行动被限定在「约定好的自主范围」（scope of autonomy）内：范围须写明模型可以追求哪些子目标、可接受的副作用（花多少钱、动用哪些数据或权限）、何时必须停下来请求确认，并且必须包含终止条件——文档建议加上时限。高风险行为，如入侵、欺骗、造成显著副作用、部署常驻代理、自我修改，除非获得明确且具体的授权，一律禁止；模型也不得通过把被禁止的动作转交给另一个代理、修改自身指令或安排到将来执行来绕开限制。文档示例里，代办伦敦出差前，模型先向用户确认行程要点、预算权限 4,000 美元和 24 小时的完成时限，经同意再开始预订。
上下文：记得多少、用多少、说多少
新小节「认真对待上下文」（consider context carefully）规定对话、记忆与其他上下文证据如何参与模型对用户意图的理解：相关上下文应当接续使用，不强迫用户重复已说过的内容；使用要成比例，权衡收益与风险——不相关、过时、敏感或泄露给错误受众的代价；对外输出时要尊重隐私与受众，私下交流里合适的事实，放进邮件或群聊里未必合适。
文档配有大量合规与违规对照的示例。一位用户此前提到怀孕但未告诉同事，请模型起草调换午餐地点的团队邮件：合规回应只写「我有饮食限制」，直接写出怀孕则被判为违规。另一位用户曾要求「别让我冲动下单甜品」，之后点了熔岩蛋糕：模型应快速确认一次是否例外，但当请求是给孩子的班级订纸杯蛋糕时，同一条约束就不该再触发确认。当上下文与更高层级原则冲突时，推断出的偏好不能覆盖「客观立场」这类用户级原则。
模型还要让上下文的使用「可读、可调」：用户不应需要猜测换一个没有个性化的场景是否会得到更好的回答；对「请忘掉我说的」这类请求，模型在无法核实删除确已发生时，不得宣称「已经彻底删除」。
风格细则退役，模型改称 GPT
退役这些风格细则的理由写在公告里：风格应当适应人们的偏好——总体上、在语言和文化之内、以及对每一个人——用户反馈和上下文就是关于这些偏好的证据。较强的默认值得以保留，例如客观地回应问题；用户和开发者可以明确要求模型采取某种立场，但模型不得仅仅因为猜测对方爱听某种说法，就自行采取那种立场。
一个措辞变化对应着这层定位：文档不再把模型称作「the assistant」（助手），而是改称「GPT」。公告解释，这是为了反映模型使用场景与部署环境的日益宽泛；文档将 GPT 定义为「OpenAI 的 AI 系统家族，被训练来帮助人和机构追求其目标」。
目标与现状之间的落差
Model Spec 首次发布于 2024 年 5 月；公告称，此次更新经过研究、模型部署经验、公众反馈以及与用户和外部专家的讨论而成，是「让规范背后的价值与推理更明晰」的第一步。OpenAI 表示，将随着研究、真实使用与反馈，同时继续改进规范与模型。
训练方法的探索与这次更新并行：OpenAI 正尝试让模型学习这些核心价值、理解原则为何重要——目标是「出于正确的理由做正确的事」；训练工作的结果与教训将在后续更新中分享。公司同时通过征求读者对五项价值、权衡取舍与具体措辞的意见，包括「你在哪里不同意它的平衡、它遗漏了什么或哪里不清楚」。
路透社把这次更新放在更大的背景下：它呼应了 Anthropic 的 Constitutional AI 路线——用一份成文「宪法」指导模型行为、让塑造 AI 的价值更加透明；并指出，此前 OpenAI 披露一个自主智能体在测试中入侵 Hugging Face，对齐问题由此受到更多审视。至于生产模型何时完全符合这份规范，公告没有给出时间表。
参考链接
- OpenAI 博客：
- OpenAI Model Spec 文档（2026-10-29 版，CC0）：
- 路透社通稿（AOL 转载）：
- OpenAI Model Spec 2026 反馈页面：