五家前沿 AI 實驗室控制措施最高僅獲 C+，模型收容計畫成最大公開缺口

Guidelight AI Standards 首次把「失控模型」風險拆成可稽核的營運措施，而非只檢查模型發布前是否通過能力測試。評估涵蓋內部推論紀錄、監控器有效性、危險動作閘控、異常激增時的 circuit breaker、第三方審查，以及預先制定的收容計畫；資料來自五家公司公開的 system card、風險框架、報告和外部合作紀錄。

結果顯示 Anthropic 與 OpenAI 同得 C+、絕對分數 2.50；Google 為 D+（1.50）、xAI 為 D−（0.83），Meta 則為 F（0.67）。0 至 5 分制中，沒有任何單項超過 3，即「實質但不完整地實施」。Anthropic 在動作閘控及 circuit breaking 得 3 分，OpenAI 的收容計畫同樣得 3；但 Anthropic 與 Meta 在收容計畫項目為零分。xAI 的紀錄及監控器驗證也沒有獲得實施分數。

對部署長程代理的工程團隊，這份評估帶出的重點是控制面必須獨立於模型本身：完整保存工具呼叫與執行分支、量度監控器漏報率、在高風險操作前強制核准，並讓大量警報能自動撤銷網路、憑證及工作負載權限。單靠提示拒絕或發布前紅隊測試，無法處理已運行代理快速連續嘗試繞過監督的情況。

不過，這不是對五家公司內部系統的滲透測試。評分方法會把「沒有公開證據」視為未實施或只有前置條件，也未直接量度控制器在真實攻擊下的召回率、延遲與抗篡改能力。後續應觀察各實驗室是否公開觸發門檻、權限撤銷流程與可重現的第三方壓力測試，而不只是增加政策文字。