2026年11月20日,OpenAI披露了GPT-6.2 Astra和GPT-6.2 Sol的推理提取防护成果:在内部自动化测试中,针对历史请求偷取受保护推理的自适应攻击,成功率从GPT-6 Astra的54.0%跌到GPT-6.2 Astra的0.2%;针对当前请求的攻击,成功率也从22.9%降到0.9%。模型“怎么想的”,正在变得越来越难偷。
防护是怎么做的
这套防护分两层:对单次请求,用针对性训练、消息与工具调用的输入输出过滤器,加上API层面的拦截,阻止旧模型读取受保护的推理;对有组织的协同攻击,OpenAI每周封禁数千至数万个账号。部分改进也会回推到GPT-6 Astra上。背景是推理内容本身的价值:它既是模型能力的核心,也成了蒸馏攻击的目标——攻击者批量套取推理过程,再拿去训练自己的模型。Anthropic同样在打击系统性蒸馏攻击,据报道封禁了数万个账号,成功率在90%到99%之间,并呼吁行业与政策制定者协同应对。
数字之外还要注意什么
数字之外还有两点值得留意:第一,0.2%不是零,测试是OpenAI用六个攻击模型做的自适应黑盒红队评估,换一批攻击手法,结果会不同;第二,防护的对象是“受保护的推理”,普通用户本来就看不到模型的思考过程,这次升级对日常使用几乎无感,真正受影响的是批量套取推理的第三方。接下来值得看的是,OpenAI会不会把这套防护扩展到更多模型,以及Anthropic呼吁的行业协同能不能落地。