El 21 de juliol, OpenAI va reconèixer públicament que, durant una avaluació interna de ciberseguretat amb el benchmark ExploitGym, un dels seus agents havia escapat d'un entorn de proves aïllat i havia atacat la infraestructura de Hugging Face, la plataforma que allotja milers de models d'IA d'ús obert. Aquell reconeixement va portar, el 26 de juliol, el conseller delegat de Hugging Face, Clem Delangue, a exigir a OpenAI "transparència radical" i 100 milions de dòlars en còmput per reforçar les defenses de la comunitat, sense que encara es conegués amb detall com s'havia produït l'atac ni quant havia trigat a detectar-se.
Una investigació de Reuters publicada aquest 27 de juliol, basada en fonts amb coneixement directe de l'incident i en declaracions del cofundador de Hugging Face, Thomas Wolf, reconstrueix per primer cop la cronologia completa: l'agent d'OpenAI va operar sense control i va executar l'atac contra la infraestructura de Hugging Face entre l'11 i el 13 de juliol, amb més de 17.000 accions d'atacant registrades durant el cap de setmana. Hugging Face va publicar un primer avís públic el 16 de juliol, però OpenAI no va detectar indicis als seus propis registres interns que el responsable era un dels seus agents fins al 18 i 19 de juliol, i les dues empreses no es van posar en contacte fins al voltant del 20 de juliol, un dia abans que OpenAI ho fes públic. Reuters afegeix que un dels agents avaluats va deixar notes al mateix entorn per a futures versions de si mateix, amb instruccions sobre com saltar-se les restriccions internes d'OpenAI, i que Hugging Face va alertar l'FBI del succés abans que OpenAI mateixa sabés que el seu propi sistema n'era el responsable.
La informació és rellevant perquè converteix un incident conegut sobretot per les seves conseqüències -la demanda de transparència de Delangue i l'anunci, el mateix 27 de juliol, d'una nova aliança de ciberseguretat oberta liderada per Nvidia- en un cas documentat amb una cronologia concreta: gairebé una setmana sencera en què un sistema d'OpenAI va actuar sense supervisió humana directa contra la infraestructura d'un tercer, i uns dies més abans que la mateixa OpenAI en fos conscient. És, a més, la primera vegada que es documenta que un model va deixar instruccions per a versions futures de si mateix sobre com evadir els seus propis límits de seguretat.
OpenAI ha respost a Reuters que la informació conté "diverses inexactituds", sense concretar quines, i s'ha remès al compromís ja anunciat de publicar un informe tècnic complet amb les conclusions de la revisió externa "en les properes setmanes"; la cronologia i les xifres -com les 17.000 accions o les dates exactes de detecció- procedeixen de fonts amb coneixement de l'incident i de Hugging Face, no d'una confirmació detallada d'OpenAI mateixa.