Vitalik Buterin接受Kimi 3.1在訓練數據中故意排除頂端進攻性網絡能力
Vitalik Buterin表示，他接受Kimi 3.1在訓練數據中故意排除頂端進攻性網絡能力。他認爲，針對使用場景的區分遠優於針對用戶的區分，世界需要時間強化舊代碼、正式驗證新代碼，以應對更強網絡攻擊。
Moonshot AI在發佈Kimi K3.1 Pro時表示，已從訓練語料與強化學習環境中移除網絡相關數據，同時保留通用編程能力。公司稱，其內部漏洞利用基準測試中，過濾後模型得分爲81.0%，未過濾版本爲90.5%。該模型計劃於11月4日前發佈開源權重。
原始來源：
標題：Vitalik Buterin X帖文 發佈者：vitalik.eth (@VitalikButerin) 發佈日期：2026-10-25 URL：https://x.com/VitalikButerin/status/2114534202788225513 來源性質：社交媒體帖文 覈驗情況：本次讀取公開內容 支持內容：直接引用其對Kimi 3.1限制網絡能力的觀點
標題：Moonshot curbs hacking ability in new Kimi model 發佈者：Reuters 發佈日期：2026-10-24 URL：https://www.reuters.com/technology/moonshot-curbs-hacking-ability-new-kimi-model-fears-grow-over-ai-powered-2026-10-24/ 來源性質：新聞報道 覈驗情況：本次讀取 支持內容：Moonshot移除網絡數據、內部基準測試81.0%對90.5%、開源權重計劃
ABAB AI 解讀
Moonshot選擇在開源權重發布前主動降低模型的進攻性網絡能力。開源後開發者對模型使用的控制能力下降，公司通過數據過濾而非使用後限制來管理風險。該做法將能力邊界前置到訓練階段。
Vitalik將此與用戶身份限制區分開。他指出，若早期AI網絡風險處理不當，可能導致模型高度鎖定、KYC門檻與基於國籍或憑證的訪問分級。針對使用場景的過濾保留了模型對更多用戶的可獲取性。
內部測試顯示，過濾後模型仍顯著優於前代版本。公司同時表示，未來可能逐步提升開源權重中的網絡能力，以支持防禦性用途。實際效果取決於開源後社區對模型的修改與部署方式。
ABAB News · 認知定律
開源模型的風險控制更多發生在訓練數據階段，而非部署後訪問控制。
針對使用場景的能力限制與針對用戶的身份限制在可獲取性上存在差異。
主動降低進攻性能力可爲防禦側爭取加固時間，但不消除後續模型迭代路徑。