Anthropic強化反蒸餾防禦將數據提取量削減90%至99%

Anthropic於10月12日發佈博客，稱近期通過新方法大幅降低對Claude的蒸餾攻擊有效性，早期證據顯示蒸餾者在其平臺上獲取的數據量減少約90%至99%。蒸餾攻擊指通過欺詐賬號網絡，工業規模提取模型能力並複製到其他模型的隱蔽行爲，常被海外實驗室用於追趕美國前沿能力。

Anthropic指出兩大擔憂：蒸餾模型常缺乏同等安全防護，可能在生物與網絡安全領域造成傷害；同時構成國家安全風險，能力被整合進外國軍事、情報與監控系統。具體案例包括智譜在開發GLM-5.3時蒸餾美國模型的網絡能力，曾嘗試Claude Fable 5但因安全防護降級攻擊效果後轉向舊版Claude與其他實驗室模型；美國CAISSI評估GLM-5.3爲迄今發佈的最強網絡能力開源權重模型，Anthropic研究發現其防護易被繞過且願端到端開發安全漏洞。

另一案例涉及月之暗面Kimi模型，請求被祕密轉發至Claude作爲蒸餾一部分。其中一請求來自Anthropic認爲與中國人民解放軍有關聯的用戶，旨在分析特定個人的閉路電視監控畫面。Anthropic已拒絕來自蒸餾者的大量付費流量（數萬億token），並投入研究與產品團隊資源。

防禦重點集中於保護Claude的推理過程（reasoning transcripts），因其比最終輸出更有價值。早期措施包括對推理進行摘要，使基於完整推理訓練的模型在SWE-bench Verified上得分80.4%，摘要後降至71.8%。蒸餾者隨後轉向主動提取，通過指令要求逐字輸出先前推理，或測試數萬次請求繞過。

新方法包括三項：對2026年8月31日後創建的新API賬號實施preserved thinking，禁止編輯先前上下文；防止新模型推理被更早、防護較弱的模型讀取；Sonnet 5.5的推理僅對本機構可訪問。同時部署兩階段分類器，強度與防生物武器防護相當，誤報率低於0.1%，應用於Sonnet 5.5、Opus 5/5.5與Fable 5/5.1。對低誤報領域被攔截請求恢復收費，並對持續提取賬號實施更嚴限制或封禁。

實施後，平臺上被提取的推理token數量持續降至之前的1/10至1/100，已封禁數萬相關賬號，常在活動開始後不到兩小時內完成。Anthropic承認存在權衡，包括部分開發者需更新集成、極低概率誤攔截與對攔截請求收費，但仍認爲成本值得承擔，並呼籲全行業採取類似措施。

來源：公開信息