大规模封号来了!OpenAI开打反蒸馏战

文章配图-1

新智元报道

OpenAI宣战了!

就在今天凌晨,OpenAI发布了一份重磅宣言——《打击对抗性蒸馏》。

文章配图-2

这份报告,表面上是技术分享,实际上简直是一篇宣战书。

OpenAI毫不掩饰地挑明:今天夏天以来,为了打击白嫖的账号,我们一周最多封几万个号,甚至直接按网络连锅端!

现在,OpenAI已经呼吁美国国会出台法案,加强出口管制。

准备好,接下来,OpenAI还会有一大波封号潮。

每周数万账号灰飞烟灭

这一次,OpenAI 动真格了。

OpenAI自曝:今年以来,ChatGPT发起多次大规模封号活动。

他们发现,「偷师者」往往会通过海量账号矩阵、分布式请求,来拼凑模型的底层逻辑。

对此,OpenAI毫不手软,一旦抓到,会把整个账号网络一锅端!

这些「协同作案」的账号群,OpenAI每周能封上几千,甚至几万个!

尤其今年夏天,封号率明显飙升。

他们的目标,就是让偷师者拿到的料更少、成本更高、速度更慢。

请注意两个关键词:「整个账号网络」与「数万个账号」。

也就是说,只要你的账号矩阵中有一个节点暴露,与之关联的其他账号也会被「连坐」,数据全部化为乌有。

文章配图-1

OpenAI表示,蒸馏这个大家心照不宣的灰色地带行为,绝不是简单的侵权而已,而是会导致严重的安全危机!

因为在蒸馏的过程中,模型强大的能力被抄走,OpenAI耗巨资打造的安全护栏,却没了。

原本有着护栏的模型,绝不会帮忙写木马病毒、提供生化武器配方。

但当它被蒸馏到没有底线的开源模型中,就会成为黑客和恐怖分子的武器。

为此,OpenAI才展开了那一场残酷的大清洗。

在内部测试中,OpenAI 派出了 6 个 AI 攻击模型。

它们会轮番使用各种刁钻的黑盒攻击,从防御系统那里「套话」。

而防守方(比如 GPT-6.2 系列)需要自己判断:你这个问题,是在正常问我,还是在恶意白嫖我的思路?

核心机密「思维链」,必须死守

如果你现在去调用 OpenAI 的 API,只能看到它想让你看到的东西——摘要。

偷师者们最眼红的,是CoT。这些未加掩饰的、最原始的思维链里,藏着答案里没写出来的高阶逻辑和泛化能力,可以说是最宝贵的财富。

但现在,真实的CoT已经被OpenAI藏起来了。

为了证明这一点,OpenAI做了个对照实验。

他们用同一个「学生模型」的基础底座,分别让它们学习两种数据。

其中,A组学习的是原始的、完整的「精确推理痕迹」。

B组学习的是用户平时在前端能看到的「推理摘要」和最终答案。

结果令人果然不出所料。

在经过了包含Astra级别教师模型轨迹的监督微调(SFT)之后,学了原始思维链的A组,在网络安全基准测试上的得分普遍碾压了B组!

文章配图-1

文章配图-1

而当两组模型都再经过一轮轻量级的强化学习后,在给予最大推理算力预算时,A组依然保持领先。仅仅在算力预算较小的时候,B组才勉强反超。

这个实验证实:精确的推理痕迹,能够教会学生模型「举一反三」的能力!

哪怕提取的数据仅仅用于合规的防御性任务,学生模型也能从中领悟出,适用于攻击性任务的通用技能。

可以说,前沿模型的底牌,就在于它解题时那「脑海中的一念」。

无论如何,OpenAI都要把这个东西上锁。

OpenAI布下四层反蒸馏防线

所以,OpenAI具体是怎么做的?

在报告中,他们首次公开了「反蒸馏之术」。

这是一套将对抗性测试、模型训练、分类器和API级别保护相结合的四层网络,OpenAI进行了深度的架构改造。

文章配图-1

第一层:从模型训练底层「防偷师」

但是呢,它同时又能精准区别出正常用户的请求。

为什么它能做出精准区分?

因为它的训练数据,来源于内部红蓝对抗和外部安全研究人员的攻击日志。

第二层:密不透风的分类器

此外,OpenAI还部署了异常强大的「输出分类器」。

最绝的是,他们连工具调用也没放过。

这是因为,模型有时会把推理过程偷偷写在工具调用的参数里,而不在最终答案中显示。

而输出分类器,可以直接将这些拦截!

第三层:让开发者心跳加速的 API 级封锁

这是对整个开发者生态最致命的一招。

在最新发布的 GPT-6.2 Astra 和 GPT-6.2 Sol 中,OpenAI 将模型的推理过程与产生它的「对话历史」进行了硬绑定。

如果你试图修改前面的一句提示词,想看看模型怎么改变思路,抱歉,API 会直接把后面的所有推理过程作废!

因此,靠微调上下文来反复挤牙膏的套路,彻底失效了。

第四层:跨模型与跨会话隔离

具体来说,就是防护弱的老模型,被严禁去读取新模型的推理记录。

同时,OpenAI 在 9 月份还刚刚堵住了一个大漏洞——

以前,黑客会把一段加密的思维链强行搬进另一个新对话,哄骗模型自己把加密内容「念出来」,甚至能露出别人的加密推理。

现在,这条路也被堵上了。

在对抗 6 个 AI 模型的轮番轰炸下,他们交出了一份可怕的成绩单。

在模拟真实生产环境的测试中,当攻击模型试图去套取「上一轮对话」的受保护推理时,旧防线下的 GPT-6 Astra 被攻破的平均成功率为 54.0%。

但在更新了新防线的 GPT-6.2 Astra 面前,这个数字被压制到了惊人的 0.2%!

而试图套取「本轮对话」受保护推理的成功率,也从 22.9% 骤降至 0.9%。

目前,GPT-6.2 Sol 也已经全量上线了这套防护,旧版的 GPT-6 Astra 也正在紧急打补丁。

文章配图-1

对于被抓到的攻击手段,OpenAI 还会将其转化为回归测试,重新喂给模型训练。

甚至,他们准备将这套秘籍分享给其他公司,全行业联动封杀。

本文来自转载新智元 ,观点仅代表作者本人,发现AI平台仅提供信息存储空间服务。
如若转载,请联系原作者;如有侵权,请联系编辑删除。

赞 (0)
资讯组小编的头像资讯组小编
黎曼猜想一夜被「证明」两次,人类和AI都没赢
上一篇 12小时前
Claude Code之父红杉演讲震撼全场! 26年未写1行代码, 电脑都不开了
下一篇 2026年5月6日 下午6:15



扫码关注我们,了解最新AI资讯~

相关推荐

发表回复

登录后才能评论