事件经过
2026年11月20日,OpenAI 发布了它如何检测和干扰对抗性蒸馏——未经授权提取前沿模型的能力(以及受保护的推理/思维链)来训练带有较弱防护的第二个模型。防御措施结合了对抗训练、分类器检查、API 级控制,以及对协同提取尝试的战役级调查。在一次内部自适应红队评估中,恢复受保护推理的平均攻击成功率从针对 GPT-6 Astra 的 54.0% 降至针对 GPT-6.2 Astra/Sol 的 0.2%。
影响分析
对抗性蒸馏是一个具体的能力提取攻击向量,其中从教师模型推理痕迹中训练出的网络/生物技能可以转移到缺乏原始防护策略的学生模型。OpenAI 正在模型+API 层面强化这一点,这为整个行业的模型安全和知识产权保护树立了基准。
适用范围
模型提供商和对前沿模型输出进行微调的企业应遵循 OpenAI 的分层欺诈/提取模型;依赖模型防护作为控制手段的安全团队应更新预期,并测试其部署中的受保护推理泄露风险。