RecodeX 重构消息，OpenAI自GPT-5.6起，在其最强模型的内部与外部流量上部署激活分类器（probes），利用模型内部激活逐token实时评分，可在生成过程中阻断违规回复和工具调用，并交由推理模型复审。

实验显示，probes对测试中的越狱攻击比更大的文本分类器更鲁棒，准确率随模型能力提升，且在后训练各检查点间迁移良好。局限在于：需为新基础模型重新训练，且只能检测可显式训练的已知违规类型。