OpenAI's Astra model uses 'recurrent depth', raising safety concerns
OpenAI's upcoming Astra model reportedly uses a technique called 'recurrent depth', allowing it to perform multiple rounds of internal computation before outputting each token, diverging from sequential reasoning typical of most models. The model has achieved a 'critical' cybersecurity capability threshold, with a 100% success rate on a test set of 20 recent V8 high-severity vulnerabilities, and has discovered two zero-day exploits. AI safety experts have expressed alarm over the opacity of the model's internal reasoning, prompting OpenAI's chief scientist to respond.
Coverage timeline
TechCrunch AIRussell Brandom
OpenAI’s new Astra model will use “recurrent depth,” a technique that allows the model to operate outside of the sequential thinking that characterizes most reasoning models.
机器之心机器之心
编辑｜山辉 OpenAI 最强新模型 Astra，可能明天就要来了！ 这是 OpenAI 第一个达到「关键级」网络安全能力门槛的模型。 Astra 在纳入 2026 年 6 月至 8 月披露的 20 个 V8 高危漏洞的内部测试集上， 取得了 100% 的任意代码执行成功率，而 GPT-5.6 Sol 的成功率仅为 20% ，同时，Astra 使用的 Token 更少效率更高。 它还成功发现并利用了两个此前未知的零日漏洞，完成浏览器沙箱逃逸，并在加固操作系统中将权限从普通用户提升至 root。 OpenAI 甚至为它推迟了部分训练和发布工作。 但就在发布前夜，外界发现，Astra 可能还有一个更加神秘的变化。 据《The Information》报道， OpenAI 在 Astra 中使用了一种名为「循环深度」（recurrent depth）的技术 。模型可以反复处理内部状态，在输出下一个 Token 之前，完成多轮不以文字形式出现的计算。 OpenAI 的新推理技术让 AI 安全专家感到担忧，链接：https://techcrunch.com/2026/09/02/openais-new-reasoning-technique-alarms-ai-safety-experts/ 对模型能力而言，这意味着「少说，多想」。 但是，更危险的失控风险也随之而来。 一个可以独立发现零日漏洞的模型，真正的思考和行动计划都藏在人类无法读取的内部状态，人类真的还能监管住它吗？ 第一个「关键级」模型 9 月 1 日，OpenAI 赶在 Astra 发布前，公开了一篇有关模型能力和安全措施的博客。 其中确认，Astra 已经达到 OpenAI 准备框架中的「关键级」网络安全能力门槛，也是第一个被 OpenAI 正式划入这一级别的模型。 按照 OpenAI 的定义，达到这一门槛意味着，模型在获得适当工具和访问权限后，可以在没有人类逐步指导的情况下，从大量经过加固的真实系统中寻找此前未知的安全漏洞，并开发相应的利用方式；或者只根据一个高层目标，自主设计和执行针对加固目标的端到端新型攻击策略。 在 OpenAI 用于评估已知漏洞利用能力的 ExploitBench 中，Astra 拿到了 100% 的成绩。 在包含 20 个近期 V8 高危漏洞的内部测试中，Astra 取得 100% 的
量子位量子位
GPT-6带火循环Transformer，阿里早已布局 一水 2026-09-05 23:07:08 来源： 量子位 手握两篇顶会论文 GPT-6 Astra一发布，recurrent depth突然一夜火了！ 最早是The Information爆料，Astra使用了这种「循环深度」技术： 让同一组Transformer层反复运行，在不增加同等规模参数的情况下，把计算做得更深 。 ？？模型不必继续疯狂「长肉」，也能让现有参数多干几轮活，还有这好事。 不出所料，争议很快到来。。。 由于循环发生在hidden state里，中间过程未必会写成人类可读的思维链，模型会不会因此更难监测？ OpenAI也由此被AI安全专家集体讨伐，甚至一度逼得首席科学家Jakub Pachocki亲自下场回应。 Jakub Pachocki还透露，自己正在憋一篇小作文以完整解释整件事情。 边等小作文，边让我们把目光拉回循环Transformer本身： 多循环几圈，模型真的就会更强吗？ 学界其实早已踩坑。 同等算力下，省了参数的循环模型，经常打不过普通Transformer。 卡住它的，是一个相当现实的问题： 「计算冗余」 。 有意思的是，阿里早在11个月前就发了相关论文，靶子正是直指这个问题。 一篇MeSH ，解决循环内部怎么管理信息，向行业老大难「循环空转」发起冲击。 一篇SpiralFormer ，死磕循环之间「以什么精度计算」的粒度问题，让每一轮算力都花在刀刃上。 下一代架构候选，先过「计算冗余」这关 循环Transformer之所以让大家上头，是因为它给大模型提供了一种新的「变强方式」。 过去Scaling靠堆参数，24层就得24套参数，现在8层参数跑3遍，也能完成24层深度的计算。 效果能不能追上，还需要实验说话，但需要存储的参数确实少了。 用计算深度换参数规模，这笔账要是算得过来，想象空间可就大了 。 其实在Astra之前，Claude Mythos就曾把循环架构带火过一轮。 当时最抓眼球的，是一项图搜索成绩。 在GraphWalks BFS的256K至1M上下文测试中，Mythos Preview拿到了80.0%，GPT-5.4是21.4%，自家的Opus 4.6则是38.7%。 Mythos Preview得分接近GPT-5.4的四倍。 这个测试，可以理解成给模型一张复杂的
