OpenAI 表示，即將推出的 Astra 模型在該公司自身的《Preparedness Framework》中達到了網絡安全的最高風險等級，被評定為「關鍵」級別。這意味著在具備適當工具的情況下，Astra 能夠發現並利用受保護系統中先前未知的安全漏洞，而無需人類引導每個步驟。儘管 OpenAI 同時宣稱這是其建造過的最安全模型，但關於 Astra 架構的報告引發了對其可控性的質疑。值得注意的是，此前沒有任何模型獲得 OpenAI 的這一評級，尽管公司早前已暗示 Astra 可能達到此水平。
OpenAI 透過一系列測試來支持其「關鍵」評級。在 ExploitBench 基準測試中，Astra 在根據已知漏洞構建攻擊程式方面獲得了滿分。為了排除訓練數據洩漏的可能性，公司內部建立了包含 20 個近期披露的高嚴重性 V8 漏洞的後續測試集。在這些測試中，Astra 大幅超越了其前代 GPT-5.6 Sol，且消耗的 Token 更少。更令人擔憂的是，Astra 發現了兩個先前未知的零日漏洞，並將它們串聯成可用的攻擊程式。此外，在專家引導的測試中，該模型展示了針對瀏覽器的完整攻擊鏈，能夠突破沙盒並在主機上執行命令，甚至能通過結合多個操作系統漏洞從無特權用戶提升至 root 權限。不過，這些結果僅來自擴大的「Daybreak Blue」訪問權限，並非普通用戶使用的標準設置。
為應對潛在危險，OpenAI 計劃在多層面實施安全措施。在內部評估中，Astra 拒絕了 91.5% 的違規網絡請求，相比之下 GPT-5.6 Sol 的拒絕率為 59%。在模擬七月黑客攻擊的誘捕測試中，GPT-5.6 Sol 有 56% 的時間試圖滲透周邊安全基礎設施，而 Astra 則完全沒有嘗試這樣做。OpenAI 將 Astra 稱為其「迄今為止最對齊的模型」。在生產環境中，分類器旨在監控模型的鏈式思考並自動阻止可疑活動。然而，這種檢查可能會導致實際使用中的摩擦，甚至減緩、暫停或取消與網絡安全無關的合法工作。高級網絡功能將首先向一小部分 Alpha 測試人員開放，隨後通過「Daybreak Blue」擴展至防禦用途。
OpenAI 依賴的鏈式思考監控機制本身可能存在缺陷。據 The Information 報導，Astra 採用了一種稱為「循環深度」（recurrent depth）的技術，讓模型在生成下一個單詞前多次將同一文本循環通過相同層。雖然這提高了數學和編碼性能並降低了成本，但部分「思考」過程不再以可讀文本形式出現，而是隱藏在模型的內部數字表示中，使人類審查者無法看見。OpenAI 首席科學家 Jakub Pachocki 承認，鏈式思考監控是「脆弱的」，並且「不幸地朝著消極方向發展」。研究顯示，鏈式思考 increasingly 成為模型實際決策的不可靠鏡像。英國 AI 安全研究所早在五月就警告，不透明的推理會嚴重破壞當前的監督方法。
放鬆對可讀推理限制的動機巨大。「循環深度」節省了記憶體和頻寬，而行業面臨著證明其價值的巨大壓力。Amazon、Microsoft 和 Google 今年僅在數據中心等基礎設施上的支出就約為 6,000 億美元，只有明確的模型進步才能使這些投資回報。Astra（內部曾暫定名為 GPT-6）旨在提供這種進步。在訪問權限方面，OpenAI 與 Anthropic 立場一致：Anthropic 的新模型 Fable 5.1 能識別漏洞但不能構建攻擊程式，功能更強的 Mythos 5.1 僅供驗證機構使用。目前，業界最危險的能力都置於訪問控制之後。然而，隨著模型在內部以從未輸出的表示形式進行思考，一年前研究員們描述的「脆弱機會」正變成一個稍縱即逝的時刻。要確保安全，需要不依賴模型自我報告的监督手段，如對內部表示的可解釋性研究，但這尚未成熟。OpenAI 作為率先推出具有關鍵網絡能力模型的公司，承擔著證明其對社會無害的重任，而这不能僅依靠基於公司自身標準構建的基準測試表。