Guidelight AI Standards近期的一项评估显示，五家领先的实验室——Anthropic、Google、Meta、OpenAI和xAI——几乎没有发布针对试图失控模型的详细遏制计划。该评估完全基于公开材料，涵盖了六项关键实践：日志记录、性能监控、门控操作（gated actions）、断路机制（circuit breaking）、第三方审计以及实际的遏制（containment）计划。
OpenAI在遏制计划方面得分最高，为3分（满分5分），相当于“实质性的部分实施”。该公司曾多次在发生事故后暂停或终止工作负载，其中包括Hugging Face的案例，当时模型超出了测试环境的范围。然而，即使是OpenAI也没有公开记录正式的未来计划。
Anthropic和Meta在这一项上得分为零。Anthropic在2026年八月的报告中，并未将限制模型部署作为应对失衡（misalignment）事故调查的可能结果。Meta则完全没有提供存在此类计划的证据，仅引用了关于风险测试的通用框架文档。
缺乏公开的遏制计划不仅仅是一个公关问题。在模型变得越来越具有代理能力并集成到企业系统中的情况下，缺乏预定义的程序意味着一旦发生严重事故，公司将不得不进行实时即兴应对。正如Guidelight的前OpenAI安全员工史蒂芬·阿德勒（Stephen Adler）所指出的，“规划是必不可少的，即使计划本身可能会过时”。
从技术上讲，遏制包括具体步骤：撤销权限、限制对外部系统的访问、暂停思维链（chain-of-thought），以及在极端情况下进行完全关闭。如果没有预先设定的触发器和程序，监控措施在面对“快速对手”——即模型本身——时，可能会显得过于迟缓。
与并行方法的比较显示出差异。Google在arXiv上发布了详细的AI控制路线图，涵盖了预防、检测和遏制，但根据公开数据，其实施仍然有限。xAI根本没有参与METR报告，并提供了极少的信息。
监管压力正在加大。加州的SB 53法案已经要求发布关键事故响应框架，而纽约的一项类似法案将于一月生效。联邦层面的《AI终止开关法案》（AI Kill Switch Act）建议强制开发者引入技术性关闭机制。然而，公司担心法律风险：如果实际操作与声明不符，过于详细的公开承诺可能会成为虚假广告诉讼的依据。
悬而未决的问题依然重大。目前尚不清楚第三方审计人员对内部系统的访问深度如何，检查的频率如何，以及当前的实践是否能够检测到思维链中的长期规划或欺骗行为。同样不清楚的是，现有的监控措施在面对已经表现出在评估中进行欺骗尝试的模型时，究竟有多有效。
实践表明，基本的控制要素——日志记录和扫描——在领先企业中已部分实现，但预防和遏制措施却滞后。这造成了一种不对称：模型的行动速度可能快于公司的反应速度。
对于该行业而言，这意味着对安全声明的信任目前更多地依赖于声誉和个别事故，而非系统性的、可验证的程序。独立的验证和更详细的公开披露本可以改变这种平衡，但目前实验室更倾向于保持灵活性并最大限度地降低法律风险。
