GPT-6 Astra cae ante un jailbreak a menos de 24 horas de su lanzamiento
Un investigador combinó una variante extendida del ataque Task-in-Prompt con otras cuatro técnicas para vulnerar las salvaguardas del modelo insignia de OpenAI apenas un día después de su debut.
OpenAI presentó GPT-6 Astra el 3 de septiembre como su modelo más capaz hasta la fecha, con una ventana de contexto de 1.05 millones de tokens y, según la propia compañía, el primer sistema en cruzar el umbral de capacidad crítica en ciberseguridad ofensiva. Por eso el acceso inicial se limitó a organizaciones inscritas en el programa Daybreak, pensado para equipos de defensa que necesitan capacidades avanzadas bajo controles estrictos.
Menos de un día después del lanzamiento, un investigador de seguridad reportó haber roto las salvaguardas del modelo combinando una variante extendida del ataque Task-in-Prompt (TIP) -una técnica documentada en un paper de ACL 2025 que oculta objetivos dañinos dentro de tareas aparentemente inocuas- con otras cuatro técnicas adicionales que no se hicieron públicas. OpenAI reconoce el hallazgo pero sostiene que Astra es sustancialmente más resistente a jailbreaks que su predecesor, GPT-5.6 Sol, incluso en interacciones largas.
Para quien construye productos sobre la API de Astra, el episodio recuerda que ningún modelo frontera llega "a prueba de jailbreak" desde el primer día: las mitigaciones a nivel de prompt y las políticas de uso deben tratarse como una capa más de defensa, no como la única, sobre todo mientras Astra todavía está llegando en fases a ChatGPT Plus, Pro, Business, Enterprise y a la API.