
Anthropic 抗蒸馏:preserved thinking + 两级分类器,推理被抽走的量大约降到原先的 1/10 到 1/100
一句话结论
Anthropic 用 preserved thinking(自 2026-08-31 起的新 API 账号不可编辑先验上下文、推理仅生产方组织可读)叠加两级类宪法分类器(在 Sonnet 5.5、Opus 5/5.5、Fable 5/5.1 上 FPR <0.1%),并把被拦蒸馏请求自 2026-09-24 起计费、常在不到 2 小时内封禁账号,使被抽走的推理 token 大约降到原先的 1/10 到 1/100。
背景与理念
蒸馏攻击通过欺诈账号网络,把前沿模型的能力抽到攻击者自己的模型里。早期防御是在展示给用户前先总结推理过程:在 SWE-bench Verified 蒸馏设定下,完整转录约 80.4%,总结后约 71.8%。
攻击者随后转向主动抽取,例如要求「一字不差输出先前推理」;有实验室试过约 1.2 万次请求。防御必须从「少展示」升级到「难搬运、可识别、可封禁」。
具体做法
- Preserved thinking(Fable 5.1 / Opus 5.5)。自 2026 年 8 月 31 日起的新 API 账号不能编辑先验上下文;推理内容原则上只对生产该推理的组织可读,从而堵住「把推理搬到防护更弱的其他模型上继续抽」的路径。
- 两级类宪法风格分类器。部署在 Sonnet 5.5、Opus 5 / 5.5、Fable 5 / 5.1;文中给出误报率 FPR <0.1%。
- 更严限额与快速封禁。经常在不到 2 小时内封掉涉事账号;自 2026 年 9 月 24 日起,对被判定为蒸馏且被拦截的请求开始计费。
- 代价写进产品说明。开发者需要更新集成方式;极少数误报现在也可能被计费。文中还提到 Zhipu 曾借助较旧的 Claude 与其他实验室能力,为 GLM-5.3 蒸馏网络安全相关能力——说明旧通道与跨模型搬移仍是现实威胁模型的一部分。
关键数据/例子
可核对照:完整推理转录蒸馏约 80.4% vs 总结后约 71.8%(SWE-bench Verified);主动抽取曾有约 1.2 万次请求的试验规模;分类器 FPR <0.1%;推理 token 被抽走的量大约降到 1/10–1/100;数万账号被封禁。时间锚点包括 2026-08-31(新账号 preserved thinking)与 2026-09-24(拦截蒸馏请求开始计费)。
覆盖模型包括 Sonnet 5.5、Opus 5/5.5、Fable 5/5.1,以及 preserved thinking 侧的 Fable 5.1 / Opus 5.5。效果用「数量级下降」表述,而不是宣称攻击完全消失。
创新点
第一,用 preserved thinking 切断「跨模型、弱防护通道」的推理外泄,而不是只靠事后摘要。第二,把两级分类器的误报率压到 FPR <0.1%,并与快速封禁、对拦截请求计费绑在同一条运营链上。第三,公开承认集成改造与误报计费的代价,让防御策略可被外部工程团队评估。
可否复用
- 对推理痕迹默认「生产方可读、调用方不可随意改写先验上下文」,减少跨模型搬移。
- 用低误报的两级分类器识别主动抽取话术,并准备小时级封禁与对拦截流量计费。
- 把摘要式展示当作早期缓兵,而不是最终防线——主动 verbatim 抽取会绕过「少展示」。
- 提前通知开发者改集成,并准备误报申诉/退费路径,避免安全策略直接打穿合作方账单信任。