In this paper, we study the worst-case frontier risks of releasing gpt-oss. We introduce malicious fine-tuning (MFT), where we attempt to elicit maximum capabilities by fine-tuning gpt-oss to be as capable as possible in two domains: biology and cybersecurity.
这个标题的传播点在于“最坏情况风险”+“开放权重模型”+“前沿风险”，天然带有争议性和讨论感，适合吸引对 AI 安全、模型开源与监管感兴趣的受众。原标题偏学术，中文创作时可以改写成更直白的表达，比如“开源大模型最危险的一面是什么”或“当模型完全开放后，风险会被放大到什么程度”。如果面向大众传播，建议突出“不是讨论平均风险，而是讨论极端风险”这一冲突点。
这篇文章的核心，是在讨论释放 gpt-oss 这类开放权重模型后，最坏情况下可能出现的前沿风险，而不是模型日常使用中的普通风险。作者引入了“恶意微调（malicious fine-tuning）”的思路，试图把模型在生物和网络安全两个领域的能力推到尽可能高的水平，以观察潜在危险边界。需要注意的是，基于现有摘要，只能确定它是在做风险评估方法与边界探索，不能推断它已经证明了具体危害有多大。
可以写成一篇对比型短文：为什么“开放权重”既意味着技术共享，也意味着安全压力上升，重点解释“最坏情况评估”为什么比“平均表现”更重要。也可以做成视频选题：“如果一个大模型被恶意微调，会在生物和网络安全上发生什么”，但要明确只基于论文的评估框架，不夸大未证实后果。社媒帖还可以切入“开源模型该不该更谨慎发布”，引导用户讨论开放与安全之间的边界。