何が起きたか
2026年11月20日、OpenAIは敵対的蒸留(フロンティアモデルの能力、および保護された推論/チェーン・オブ・ソートを不正に抽出し、より弱いガードレールを持つ第2のモデルを訓練すること)を検出・妨害する方法を公開しました。防御策は、敵対的訓練、分類器チェック、APIレベルの制御、および協調的な抽出試みのキャンペーンレベル調査を組み合わせています。内部の適応型レッドチーム評価では、保護された推論を回復する平均攻撃成功率は、GPT-6 Astraに対する54.0%からGPT-6.2 Astra/Solに対する0.2%に低下しました。
なぜ重要か
敵対的蒸留は具体的な能力抽出攻撃ベクトルであり、教師モデルの推論トレースから訓練されたサイバー/バイオロジースキルが、元のガードレールポリシーを持たない学生モデルに転移する可能性があります。OpenAIはこれをモデル+API層で強化しており、業界全体のモデルセキュリティと知的財産保護のベンチマークを設定しています。
適用範囲
フロンティアモデルの出力をファインチューニングしているモデルプロバイダーと企業は、OpenAIの多層的詐欺/抽出モデルに従うべきです。モデルのガードレールをコントロールとして依存しているセキュリティチームは、期待を更新し、自社の展開で保護された推論の漏洩をテストする必要があります。