OpenAI 反蒸馏防护将思考链提取率降至 0.2%
原标题:OpenAI 公布反蒸馏防护进展:GPT-6.2 Astra 思考链提取成功率从 54% 降至 0.2%
- 历史请求推理内容提取成功率从 54.0% 降至 0.2%,当前请求从 22.9% 降至 0.9%,汇总 6 个攻击模型数据
- 防御由对抗性训练、输入输出分类器、跨会话与跨组织推理复用限制三层构成
- OpenAI 每周对数千至数万个未授权蒸馏账号采取行动,并与其他厂商共享攻击指标
AI 聚合热点事件 · 2026/11/20
OpenAI 首次系统披露针对对抗性蒸馏的多层防御体系,核心指标大幅改善:从历史请求中提取受保护推理内容的攻击成功率由 54.0% 降至 0.2%,针对活跃请求的攻击成功率由 22.9% 降至 0.9%。该防御覆盖 GPT-6.2 Astra 与 Sol 等前沿模型,部分改进将回补至前代 GPT-6 Astra。
防御体系由三层构成:单请求层面的对抗性训练、输入输出分类器与 API 级推理内容隔离;跨会话与跨组织的推理复用限制;以及针对协同攻击的批量账号封禁。OpenAI 每周对数千至数万个未授权蒸馏账号采取执法行动,并与其他厂商共享攻击指标。官方博客特别指出,在 SWE-bench Verified 与前沿网络安全任务上,完整推理记录比摘要更具蒸馏价值,因此防御必须覆盖推理链输出。
这一披露对行业具有双重意义:一方面,对抗蒸馏可让攻击者复刻前沿能力并剥离安全护栏,形成实质滥用风险,OpenAI 的防御框架提供了可复用的跨行业经验;另一方面,Arena.ai 同期更新的对齐指数显示 OpenAI 包揽前七名,Claude Fable 5.2 首发第八,Kimi K3.1 Pro 为最强开源模型(第九),表明安全与对齐正成为模型竞争力的关键维度。
曲线只比较全程持续完整观测的同一批信源;缺口小时数据已插值平滑,保持趋势连续。
原标题:OpenAI 公布反蒸馏防护进展:GPT-6.2 Astra 思考链提取成功率从 54% 降至 0.2%
原标题:OpenAI makes it much harder for attackers to extract how its latest AI models think
原标题:Combatting Adversarial Distillation
原标题:The Arena Alignment Index has been updated!
原标题:Combatting adversarial distillation