Anthropic首公开蒸馏攻击工程反制 盗取量降90%-99%

Anthropic于2026年10月12日发布蒸馏防御研究报告，详述三道工程防线使模型盗取量下降90%-99%。

事实还原

报告指出，蒸馏攻击是通过欺诈账号网络大规模提取Claude能力并在未经授权模型中复现。此前简单措施如要求Claude先总结推理内容，已使蒸馏模型在SWE-bench Verified基准上得分从80.4%降至71.8%。攻击者随后转向主动提取，试图诱导模型输出完整隐藏推理过程。Anthropic因此构建检测机制，识别普通用户极少提出的完整推理提取请求。

机制拆解

三道工程防线包括锁定reasoning token访问权（preserved thinking）、双阶段分类器实时封号（误报率低于0.1%）以及对被拦截请求收费。已封禁数万个抽取账号，reasoning token泄露量较防御前降低10-100倍。这些措施直接针对工业级蒸馏攻击中对推理轨迹的依赖。

产业影响

防御升级使Anthropic拒绝了来自蒸馏者的可观收入和数万亿token付费流量，同时要求合法用户更新集成方式。Zhipu等实验室曾尝试蒸馏Claude Fable 5的网络能力，后因防护降级而转向其他模型。被蒸馏模型如GLM-5.3被评估为网络能力最强的开放权重模型之一，其防护易被绕过。

战略判断（分析而非事实）

从守约视角看，此举将使用条款约束升级为技术强制围堵，与WDCD评测中AI边界遵守议题形成呼应。头部实验室首次公开量化工程反制效果，可能推动其他开发者评估类似权衡：短期收入损失与长期能力保护之间的平衡。历史先例显示，单纯合规讨论难以阻挡规模化提取，而工程手段直接作用于数据获取环节。