OpenAI GPT-Red — Prompt Injectionに対する自動対立的自己対戦型レッドチーマー

OpenAIは2026年7月15日、GPT-Redを開示しました。これは対立的自己対戦を通じて訓練された内部専用モデルで、ディフェンダーモデルに対してスケーリング可能なプロンプトインジェクション攻撃を生成し、成功した攻撃はトレーニングにフィードバックされます。OpenAIはGPT-Redが保留済みの間接インジェクションシナリオの84%で成功した攻撃を見つけたのに対し、人間のレッドチーマーは13%であり、これに対してトレーニングを行うことでGPT-5.6 Solがプロンプトインジェクションに対して、4ヶ月前のOpenAIの最高モデルと比較して6倍の耐性を持つようになったと報告しています。ケーススタディには、ライブ自動販売機エージェントのハイジャックとCodex CLIデータ流出シナリオが含まれます。

AIベンダー企業がエージェントAI攻撃ベクトルの最大脅威であるプロンプトインジェクションに対して本番モデルを強化するために、スケーラブルなAI対AIレッドチーミングのフライホイールが標準的な慣行となっていることを示しており、これはトップフロンティアラボで実施されており、出荷されたモデル(GPT-5.6)について具体的な変前後の堅牢性の数値を備えています。

AIラボとエンタープライズエージェントビルダーは、プロンプトインジェクション堅牢性テスト方法論のベンチマークとしてこれを追跡すべきです。GPT-Red自体は公に公開されていません。