본 기사는 필자가 운영하는 AI Quotidia의 해외 뉴스 해설 기사입니다.

OpenAI는 현지 2026년 7월 15일, 자사 모델을 공격하여 약점을 찾아내는 내부 전용 LLM(Large Language Model)인 「GPT-Red」를 발표했다 (MIT Technology Review 독점 보도).

• 방어 측 모델과의 self-play 루프로 공격을 자기 학습하며, Web browsing / 메일·캘린더 열람 / 코드 편집을 모사한 「dojo」 환경에서 훈련되었다.
• 신형 공격 「fake chain of thought」를 발견: 상대 모델의 내부 추론 로그에 가짜 엔트리를 삽입하여, 거짓 정보를 「검증됨」으로 인식하고 행동하게 만든다.
• 수치는 3가지 계통을 구분한다: ① 최강 공격군의 성공률이 GPT-5 (2025년 8월)에서 90% 초과 → GPT-5.6에서 23% 미만 (MIT TR). ② 간접 프롬프트 인젝션 (Indirect Prompt Injection)의 arena 재현에서 GPT-Red 84% vs 인간 red-teamer 13% (OpenAI 공식 블로그의 릴레이). ③ fake chain of thought 공격 한정으로 GPT-5.1에서 약 95% → GPT-5.6 Sol에서 10% 미만 (동일). 대상 공격과 모델 모두 행별로 다르며, 합성할 수 없다. 모두 OpenAI의 자기 신고이며, 제3자 검증은 아직 없다.

완전판에서는 「에이전트 도입을 추진하는 일본 기업에 있어서의 의미」에 대한 해설과 FAQ, Quotidia의 관점 (전문)을 게재하고 있습니다. 계속 읽기.