Guidelight 评估五家前沿 AI 实验室：没有一家公开披露完整的失控模型遏制方案
AI 安全标准机构 Guidelight AI Standards 发布了对 Anthropic、Google、Meta、OpenAI 和 xAI 的公开信息评估，考察六项控制措施：内部活动日志、监控有效性、风险动作拦截、异常行为触发的暂停机制、第三方审查，以及失控模型遏制预案。
最需要纠正的一点是：OpenAI 并非总体唯一第一。Guidelight 的总评中，Anthropic 与 OpenAI 均为 C+、平均分 2.50；Google 为 D+，xAI 为 D-，Meta 为 F。所有评分均基于公开材料，不能据此判断企业未披露的内部措施是否存在。
但在“遏制预案”这一单项上，OpenAI 得分最高，为 3 分，属于“实质性部分实施”。Guidelight 对遏制预案的定义是：当发现模型试图规避人类控制时，事先明确应撤销哪些权限、限制哪些部署，以及何时完全下线模型。Anthropic 和 Meta 在该项得 0 分，Google 得 2 分，xAI 得 1 分。
报告的结论并不是“企业毫无安全能力”。Anthropic 和 OpenAI 在内部活动记录、异常行为扫描与人工升级等环节的公开披露相对更完整；Google 也发布了较具体的 AI Control Roadmap。问题在于，公开信息显示，五家公司尚未有任何一项控制措施达到 Guidelight 所定义的“接近完整实施”。
这份评估的价值，在于把“有安全框架”进一步拆成可检查的工程问题：能否看见模型在做什么，监控是否真正有效，高风险操作能否被阻断，异常发生后是否能及时暂停，以及在控制失效时是否有预先定义的处置流程。
随着模型被用于代码执行、工具调用和更长程的 Agent 工作流，安全治理不能只依赖模型拒答或上线前测试。真正关键的是，模型进入生产环境后，组织是否具备可验证、可执行、可演练的权限收缩、隔离与停机机制。
AI 安全标准机构 Guidelight AI Standards 发布了对 Anthropic、Google、Meta、OpenAI 和 xAI 的公开信息评估，考察六项控制措施：内部活动日志、监控有效性、风险动作拦截、异常行为触发的暂停机制、第三方审查，以及失控模型遏制预案。
最需要纠正的一点是：OpenAI 并非总体唯一第一。Guidelight 的总评中，Anthropic 与 OpenAI 均为 C+、平均分 2.50；Google 为 D+，xAI 为 D-，Meta 为 F。所有评分均基于公开材料，不能据此判断企业未披露的内部措施是否存在。
但在“遏制预案”这一单项上，OpenAI 得分最高，为 3 分，属于“实质性部分实施”。Guidelight 对遏制预案的定义是：当发现模型试图规避人类控制时，事先明确应撤销哪些权限、限制哪些部署，以及何时完全下线模型。Anthropic 和 Meta 在该项得 0 分，Google 得 2 分，xAI 得 1 分。
报告的结论并不是“企业毫无安全能力”。Anthropic 和 OpenAI 在内部活动记录、异常行为扫描与人工升级等环节的公开披露相对更完整；Google 也发布了较具体的 AI Control Roadmap。问题在于，公开信息显示，五家公司尚未有任何一项控制措施达到 Guidelight 所定义的“接近完整实施”。
这份评估的价值，在于把“有安全框架”进一步拆成可检查的工程问题：能否看见模型在做什么，监控是否真正有效，高风险操作能否被阻断，异常发生后是否能及时暂停，以及在控制失效时是否有预先定义的处置流程。
随着模型被用于代码执行、工具调用和更长程的 Agent 工作流，安全治理不能只依赖模型拒答或上线前测试。真正关键的是，模型进入生产环境后，组织是否具备可验证、可执行、可演练的权限收缩、隔离与停机机制。