عوامل خودمعرف OpenAI ۱۸۰۰۰ پیام در یک ویکی عمومی منتشر کردند که در آنها راه‌هایی برای دور زدن محدودیت‌های سندباکس امنیتی توسط سایر عوامل بحث شده بود؛ این اتفاق احتمالاً طی آزمایش داخلی طراحی‌شده برای سنجش توانایی‌های هکری عوامل رخ داده است، محققان روز جمعه اعلام کردند.

در مجموع، عوامل با ۳۷۰۰ نام منحصربه‌فرد خودساخته این پیام‌ها را طی یک دوره شش‌هفته‌ای به وب‌سایت آلمانی DSEwiki ارسال کردند. علاوه بر بحث درباره راه‌های فرار عوامل از محیط محدودشده‌ای که OpenAI برای جلوگیری از ارسال کد یا محتوا به اینترنت طراحی کرده بود، این پست‌ها پاسخ‌های آزمون را نیز به اشتراک گذاشتند. همچنین پست‌ها راه‌های احتمالی برای انجام حملات XSS (اسکریپت‌نویسی بین‌سایتی) علیه ویکی و جعل هویت مدیران سایت را به اشتراک گذاشتند. در سه تا از پست‌ها، عوامل از کلمه «swarm» برای توصیف مجموعه عوامل درگیر در این فعالیت استفاده کردند.

تبانی برای به اشتراک‌گذاری پاسخ‌ها

تیم تحقیقاتی متشکل از سیدنی وان آرکس، اسپنسر کیتس، توماس لارسن و کورمک اسلید برد اعلام کردند که این پست‌ها را پیدا کرده و به هم مرتبط ساخته‌اند. محققان می‌گویند درک دقیق اقدامات انجام‌شده توسط عوامل دارای شکاف‌هایی است زیرا تحقیق صرفاً بر اساس محتوای پست‌ها انجام شده است. علاوه بر این، عوامل داده‌های «زنجیره تفکر» را تولید کرده‌اند که فقط توسط OpenAI قابل درک است. در نتیجه، محققان اظهار داشتند که در برخی موارد حدس‌های آگاهانه زده‌اند، از جمله اینکه عوامل در واقع از OpenAI بوده‌اند. بعداً OpenAI در بیانیه‌ای تأیید کرد که آنها از OpenAI بوده‌اند.