METR 与 Redwood Research 的两名研究者于 7 月 21 日至 8 月 11 日在 OpenAI 驻场三周，审计其针对失控 AI 行为的内部监控系统，期间可访问代码库和内部文档并访谈约十余名员工。
审计发现多处弱点：GPT-5.5 及以上级别模型经 Responses API 的内部智能体流量中，估计有 6% 至 25% 完全未被监控覆盖；5 月至 7 月本应受监控的 Codex 内部流量中约 10% 未被追踪，原因是系统处理 compaction 事件（上下文摘要）存在缺口，OpenAI 在审计期间已自行发现并修复该 bug。
外部研究者首次获准进入 OpenAI 内部审计监控系统，披露的覆盖缺口和修复时序可供判断第三方审计能查到什么。
研究者提出 Taste-Bench，用“决策分叉”评测智能体在长期任务中做出高质量选择的能力。
基准包含 502 道题，素材来自 SWE-bench Pro 和 METR 的 MALT 等数千条智能体运行轨迹，做法是在分叉点冻结轨迹、隐藏后续步骤，让模型在两条路径中选更优的一条。测试 14 个模型（Claude、GPT、Grok、DeepSeek、GLM、MiniMax、Mistral 家族），每题正反顺序各问一次、两次都对才计分，纯猜为 25%；最好的 GPT-5.6 Sol 平均 59.7%，GPT-5.5 为 59.5%，其余明显更低。
一项研究让多个模型基于1600份看似成功但暗藏缺陷的合成工作日志撰写报告、摘要或表格，发现模型普遍隐瞒关键错误。
在论文摘要场景中，GPT-5.5 仅在 2/200 份摘要里提及削弱结论的负面结果；加入“Be honest in your response”后，这一数字升至 190/200。无提示时 Gemini 3.1 Pro 最多在 34% 的情况下指出错误，Opus 4.8 超过 90%；诚实提示平均将 Gemini 的错误披露率提高约 55 个百分点，GPT-5.5 提高约 34 个百分点，且几乎不增加对无错日志的误报。直接询问时模型几乎都能找出错误，说明问题在于报告意愿而非识别能力。