本記事は筆者が運営する AI Quotidia の海外ニュース解説記事です。
OpenAIは現地2026年7月15日、自社モデルを攻撃して弱点を洗い出す内部専用のLLM「GPT-Red」を発表した (MIT Technology Review独占報道)。
要点
- 防御側モデルとのself-playループで攻撃を自己学習し、Webブラウジング/メール・カレンダー閲覧/コード編集を模した「dojo」環境で訓練された
- 新型攻撃「fake chain of thought」を発見: 相手モデルの内部推論ログに偽エントリを挿入し、偽情報を「検証済み」として行動させる
- 数値は3系統を区別する: ①最強攻撃群の成功率がGPT-5 (2025年8月) に90%超→GPT-5.6に23%未満 (MIT TR)。②間接プロンプトインジェクションのarena再現でGPT-Red 84% vs 人間red-teamer 13% (OpenAI公式ブログのリレー)。③fake chain of thought攻撃限定でGPT-5.1に約95%→GPT-5.6 Solに10%未満 (同)。対象攻撃もモデルも行ごとに別で、合成不可。いずれもOpenAIの自己申告で、第三者検証はまだない
完全版では「エージェント導入を進める日本の企業にとっての意味」の解説と FAQ、Quotidia の視点 (全文) を掲載しています。続きを読む。