Anthropic 发布蒸馏攻击防御新策略，称已拦截 90%–99% 套取数据

上一板斧把国内模型都要干趴了，还来？ Anthropic 博客发布 《加强对蒸馏攻击的防御》 总结下来就一句话：不仅把防线焊死了，甚至开始“抓到违规照样扣你钱”。 核心 • Anthropic 表示，新的防御策略已经把外部团队从 Claude 薅走的蒸馏数据砍掉了 90%–99%。 • 所谓“蒸馏攻击”，就是有人注册海量马甲号，流水线式地套取 Claude 的输出去喂给自家模型，等于绕过授权白嫖底层能力。 担心 • 靠蒸馏催熟的模型往往没做足安全护栏，很容易在生物、网安领域惹祸。文章直接点名智谱：说他们训 GLM-5.3 时蒸馏了美国顶尖模型的网安能力，但安全防线一捅就破。 • 怕这些白嫖来的能力被塞进别国的军事、情报和监控系统。文中还点名月之暗面，称 Kimi 曾偷偷把用户请求直接转发给 Claude。 防御 • 蒸馏最眼馋的就是模型的推理过程（思维链），所以防守核心就一件事：绝不让你轻易拿到完整思考过程。 • 光靠表面功夫防不住：早期官方试过只输出推理摘要，确实管用，对面蒸馏出的模型在 SWE-bench Verified 跑分直接从 80.4% 掉到 71.8%；但对方很快换了打法，用提示词诱导模型把思考过程逐字吐出来，还挂了几十万个黑产代理号硬刷。 新方法 • 锁死思维链：新开的 API 账号不准再篡改 Claude 之前的上下文；防止高阶模型的推理记录被安全防线较弱的旧模型读取；思考记录谁发起的就只给谁看，绝不外流。 • 实时拦截+打补丁：在主力模型（Sonnet 5.5、Opus 5/5.5、Fable 5/5.1）前面挂了类似“宪法分类器”的双层审查机制，误伤率控制在 0.1% 以内，同时靠红队测试随时堵漏洞。 • 让偷数据的人肉疼：一旦发现反复套话，直接限流、封号；最狠的是从 9 月 24 日起，在蒸馏这类低误判（<0.1%）场景下，哪怕请求被当场拦截，钱也照扣不误。 效果与代价 • 之前 9 月份报告里曝光的蒸馏套路，现在基本能被分类器一网打尽；能被薅走的推理 token 数量暴跌了 10–100 倍，有时候甚至归零；官方已经顺手封了几万个号，通常两小时内就能拉黑完毕。 • 副作用：因为上了新机制，一部分正常开发者得跟着改接口代码；分类器有极小概率（<0.1%）误伤好人，而且一旦被拦还得白交钱。 • 至于这招能管用多久也不好说，毕竟这本身就是场猫鼠游戏，而且目前还没遇上真正顶级高手的死磕。 呼吁 • 被薅羊毛是所有大模型厂商和云平台共同的痛。大家都在同一条船上，偷数据的流量散布在各种第三方中转和云平台里，别再放任不管了，Anthropic 公开方法，同行们赶紧联合起来清退灰产号吧。 Anthropic @AnthropicAI Over the last few months, we’ve made significant progress in reducing the effectiveness of distillation attacks against Claude. In this post, we explain how: anthropic.com/research/disti… 🔗 View Quoted Tweet 💬 1 🔄 0 ❤️ 5 👀 1153 📊 2 ⚡