Anthropic 公布反蒸馏防御新方法

2026年10月12日，Anthropic 发布博客，介绍其针对 Claude 模型蒸馏攻击的新防御方法，称早期证据显示这些方法使蒸馏者获取的数据量减少约 90% 至 99%（即下降 10 至 100 倍）。防御措施分三部分：一是通过 preserved thinking 限制新 API 账号编辑 Claude 的先前上下文，该措施随 Claude Fable 5.1 和 Claude Opus 5.5 推出，适用于 2026 年 8 月 31 日及之后创建的新 API 账号；二是用两阶段分类器拦截推理提取尝试，误报率低于 0.1%；三是对反复尝试提取的账号收紧限额并封禁。Anthropic 还表示，自 9 月 24 日起，在误报率低于 0.1% 的特定领域（包括蒸馏）中，对在 Claude 响应前即被安全机制拦截的请求恢复收费。该公司同时说明，preserved thinking 已要求部分开发者更新其集成，分类器可能在不到 0.1% 的情况下误判或拦截正常请求，且目前会对这些被拦截的请求收费。

AI 根据报道生成 · 3 小时前更新