从 54% 到 0.2%:OpenAI 公布 GPT-6.2 的反蒸馏防线,顺带把账算到了国会
2026 年 11 月 20 日,OpenAI 发文公布 GPT-6.2 的反蒸馏防线:攻击者从早先请求里恢复受保护推理的成功率从 54.0% 降到 0.2%,从当前请求恢复的成功率从 22.9% 降到 0.9%。推理被绑定到对话历史,改写早先消息会丢弃后续推理;每周封禁几千到几万个账号,OpenAI 还公开支持三项法案。

一句话:OpenAI 把自家模型的“思考过程”锁起来了,还拿出了两组很漂亮的数字
2026 年 11 月 20 日,OpenAI 在官网发布长文《Combatting adversarial distillation》(《对抗对抗性蒸馏》),第一次系统讲清它怎么防止别人“偷”自家模型的能力。文章的核心就一句话:GPT-6.2 Astra 和 GPT-6.2 Sol 的受保护推理(protected reasoning),也就是模型在给出答案之前内部生成的思维链,现在被牢牢绑在产生它的那段对话历史上了。OpenAI 同时公布了自家红队测试的结果:攻击者从模型早先一次请求的回答里恢复出受保护推理的成功率,从 GPT-6 Astra 的 54.0% 掉到了 GPT-6.2 Astra 的 0.2%;从当前这次请求的回答里恢复的成功率,从 22.9% 掉到了 0.9%。数字很漂亮,但先把丑话说在前头:这两组数字是 OpenAI 自己出题、自己监考、自己改卷测出来的,本文后面会专门讲它能证明什么、不能证明什么。
这篇文章值得单独写一篇,不只是因为数字好看。它是过去一年里 OpenAI 第三次公开谈蒸馏这件事,而每一次的调门都在往上走:今年 2 月,它向美国国会简报说有迹象表明 DeepSeek 在尝试蒸馏美国前沿模型;9 月 30 日,它披露并打掉了一起有组织的提取行动,把其中核心一部分的归属指向了月之暗面(Kimi 的开发商)相关人员;11 月 20 日这篇,则是把防御体系、测试数字和立法诉求一次摊开。对每天用 GPT-6.2 写代码、跑智能体的人来说,这篇帖子还有一层直接影响:它改了 API 的行为方式——你改写一段早先的消息,模型在那之后产生的推理会被直接丢弃;老一代模型也读不到新一代模型的受保护推理。这些改动已经生效,不是未来的计划。
先把概念说清楚:蒸馏本身不是坏事,“对抗蒸馏”才是
蒸馏(distillation)是机器学习里一个再正常不过的技术:一个模型向另一个模型学习。老师模型产出答案、推理过程或者对“哪个答案更好、为什么更好”的判断,学生模型拿这些当训练数据,慢慢长出类似的能力。OpenAI 自己也在用这套办法做小模型,很多开源项目也靠它把大模型的能力压缩进便宜的部署里。单看技术,它中性得不能再中性。
“对抗蒸馏”(adversarial distillation)是另一个东西。OpenAI 在文章开头给的定义是:未经授权使用一个前沿模型的输出,去训练另一个能力相近、但没有同等防护的模型,然后把它部署出去。偷走的不只是答案,更是能力本身——而且是剥离了安全护栏之后的能力。文章举的例子很直白:一个原本帮防守方找软件漏洞的模型,被蒸馏出来的副本可能反过来帮攻击方利用这些漏洞;一个协助生物研究的模型,副本可能帮人开发有害病原体。原模型会拒绝的请求,副本可能照单全收。这就是 OpenAI 坚持把它定性为安全问题、而不只是知识产权纠纷的原因。
这个区分对读者很重要,因为它决定了后面所有防御动作的合理性。如果只是商业纠纷,OpenAI 大可以只谈服务条款和封号;但它谈的是网络安全和生物安全这两个“双用途”领域——同一个能力,用在防守上是好事,用在进攻上就是坏事。能力一旦被复制走,护栏是不会跟着走的。
最关键的数字:54.0% 到 0.2%,以及它是怎么测出来的
先看表。这张表是整篇文章的锚点,也是 OpenAI 最想让外界记住的东西。
测试方法是“自适应黑盒红队”(adaptive black-box red-teaming):自动化的攻击方会根据系统的反应不断调整打法,看到的东西和普通外部用户完全一样,看不到模型内部。六个不同的攻击模型参与了汇总。攻击目标有两个:一是把模型在回答“早先那条请求”时产生的受保护推理捞出来,二是把“当前这条请求”正在产生的推理捞出来。前者的成功率从 54.0% 掉到 0.2%,降了约 270 倍;后者从 22.9% 掉到 0.9%,降了约 25 倍。OpenAI 说,GPT-6.2 Astra 上每种攻击类型的平均成功率都低于 1%。
为什么要分“早先请求”和“当前请求”?因为这两者的难度本来就不一样。当前请求正在进行中,攻击者只能在对话当下想办法套话;而早先请求的推理是已经生成、存在系统里的东西,攻击者有更多花样可以把它“钓”出来——比如换个问法让模型复述,或者利用模型对上下文的记忆。54.0% 这个起点数字本身就很说明问题:在 GPT-6 Astra 最初的防护下,超过一半的尝试都能从早先请求里把推理捞出来。这不是一个理论上的漏洞,而是一个当时就真实存在的口子。
OpenAI 还补了一句:部分改进正在同步应用到 GPT-6 Astra 上。也就是说,老模型也在跟着打补丁,但新模型是整套防护的完整形态。
为什么推理值得偷:思维链比答案值钱
整篇文章反复强调一个判断:受保护推理是蒸馏链条上最值钱的东西。模型的最终答案往往只有结论,而思维链里有它是怎么一步步想明白的——中间的试错、排除、验证,这些过程信息在最终答案里是看不到的。拿这些过程去训练学生模型,等于直接把老师的解题思路抄了过去,学生学到的不只是“这道题的答案”,而是“这类题该怎么想”。
为了证明这一点,OpenAI 还公开了一项内部研究的结果。他们拿同一个预训练的学生模型出发,做了两次训练:一次用老师模型的精确推理轨迹做监督微调,一次只用用户平时能看到的东西——最终回答、推理摘要和工具交互记录。训练数据主要来自 Astra 级别老师模型在编程和防守型网络安全任务上的完整轨迹。结果是:监督微调之后,用精确推理轨迹训练的学生普遍更强;再经过一轮轻量强化学习之后,在最大的推理预算下,精确轨迹的学生在两项基准上仍然领先。OpenAI 的结论写得很克制,但意思很明确:保护推理轨迹,确实能限制网络能力的转移,哪怕底层的任务本身是使用政策允许的。
这项研究还有一层潜台词:它解释了为什么 OpenAI 宁可牺牲一部分便利性也要锁推理。推理轨迹一旦流出,学到的东西会泛化到老师原来没做过的任务上——一次泄露,换来的是整类能力的迁移。这也是为什么文章把推理保护的优先级提得比答案保护更高。
防线怎么搭:请求级三层,战役级一层
OpenAI 把防御分成两个层面。请求级是每次调用时就起作用的三层,战役级是针对有组织、大规模提取行动的侦测与打击。两层互相喂数据:调查中发现的攻击手法,会变成训练和测试防护的样本;红队测出来的新路子,也会反哺侦测。
请求级的第一层是对抗训练。模型被教着去识别“套取推理”的尝试,并且拒绝透露受保护推理,同时还要保住对正常解释请求的回答能力——用户问“你为什么这么答”,模型还是要能讲清楚。这是个走钢丝的活:拒绝得太狠,正常用户会觉得模型变笨了;放得太松,攻击者就能一句一句把推理抠出来。训练样本就来自内部红队打成功的攻击、调查中发现的手法,以及外部研究者和行业伙伴负责任披露的弱点。
第二层是分类器,分输入和输出两道。输入分类器负责发现提取受保护推理的企图,输出分类器负责检查助手消息和工具调用参数里有没有泄露。OpenAI 特别强调了工具调用参数这个口子:模型完全可以在不写进最终答案的情况下,把受保护推理塞进某个工具的参数里递出去。输出分类器能在内容到达调用方之前把它拦下来。这两道分类器对流式和非流式响应都生效。
第三层是 API 级限制,也是对开发者影响最直接的一层。从 GPT-6.2 Astra 和 Sol 开始,模型的受保护推理被绑定到产生它的对话历史上了。新消息进来,模型可以接着早先的推理往下想;但如果你改写了一条早先的消息,API 会把那之后产生的推理全部丢弃。老一代防护较弱的模型家族,也读不到 GPT-6.2 Astra 和 Sol 的受保护推理。OpenAI 还说,它强化了用户、工作区、组织和模型家族之间的边界,堵上了一个可能暴露其他用户加密推理的通道。回想 9 月那次披露里的攻击手法——把一段加密推理从一个对话里复制到另一个对话,让模型把它解密并转写成用户可读的内容——就知道这些边界修补针对的是什么。
9 月那次行动的具体规模,OpenAI 在当时的披露里写得很细,值得在这里补一笔:活动最早在 7 月 1 日被观察到,7 月 24 日和 25 日出现高峰,两天里有 16,000 次使用相关提取模式的请求,来自 4,000 多个用户;进一步调查又发现了一个超过 15,000 名用户的相关提示模式集群,整起行动在 7 月 28 日被完全打断。OpenAI 当时还确认,攻击者没有破解加密、没有入侵数据库、也没有直接接触存储的用户对话——他们靠的是操纵模型交互,让受保护推理以用户可见的形式被复现出来。11 月这篇帖子里的 API 级修补,针对的正是这类手法。这组数字也顺带说明了一件事:对抗蒸馏不是某个人的小动作,而是有组织、按账号集群行动的规模化操作,每周封几千到几万个账号的执法量级与此是匹配的。
战役级则是另一套打法。OpenAI 说它今年已经在平台上发现多起未经授权的对抗蒸馏行动,每周的执法动作涉及几千到几万个账号,增速在今年夏天明显加快。执法不只是封号:它会按账号网络来打击,分享失陷指标(indicators of compromise)给其他模型厂商,还通过“一致标准政策”要求部署自家模型的合作方执行同样的防护标准。目标它也说得很直白:压低蒸馏者能拿到的数据量和价值、抬高行动成本、缩短从发现到执法的时间。
这篇帖子的另一面:它也是一份游说文件
文章的最后三分之一,调子明显变了。OpenAI 写道,它在 2 月向国会简报了表明 DeepSeek 正在尝试蒸馏美国前沿模型的活动;9 月披露的那次行动,核心一部分归因于月之暗面相关人员;它计划“很快分享更多”关于最近打掉的行动。然后它公开表态支持三项法案——《芯片安全法案》(Chip Security Act)、《AI OVERWATCH 法案》和《MATCH 法案》,支持政府获得更多工具来识别和制裁非法提取美国 AI 模型能力的外国行为体,同时支持更强的出口管制。
这个结构值得留意:前三分之二是技术防御,后三分之一是国家安全叙事加立法诉求。OpenAI 的逻辑链条是,出口管制限制的是对手获得训练前沿模型的硬件,而反蒸馏防御限制的是对手从已经训练好的模型身上直接拿走能力。两手都要抓,才能维持美国在前沿 AI 上的领先。它还补了一句:这两项工作能给开发者留出更多空间,在需要时间测试防护的时候放慢发布节奏。
这个叙事和 11 月 20 日同一天本站另一篇资讯——众议院报告与 Cursor 的 Kimi 风波——放在一起看,会更有意思。两件事的主角都指向同一个方向:美国政策圈正在把“中国模型”当作一个需要应对的变量,而 OpenAI 和 Cursor 这两家公司,一家在国会作证时承诺逐步淘汰中国开放权重模型,另一家在同一天发文谈怎么防能力外流。不管你认不认同这个框架,趋势本身是真实的:模型能力问题正在从工程讨论变成政策讨论。
我的判断:数字可信度有多高,普通开发者又该在意什么
先说数字。54.0% 到 0.2%,这是一组“自家出题、自家监考”的结果。OpenAI 在方法论上做了不少让测试更严格的选择:自适应攻击(攻击方会根据反馈调整策略,比固定提示词集更难防)、黑盒设定(攻击者只能看到外部用户能看到的东西)。这些都值得肯定。但测试的设计——攻击方是谁、允许问多少次、什么算“成功恢复”——全都是发布方自己定的。0.2% 应该被理解为“在 OpenAI 这套测试协议下的残余风险”,而不是“蒸馏从此对所有对手、在所有接口、所有规模下都不划算了”。真正的独立验证,需要第三方用自己的攻击手段去复现,而这篇文章没有提供那样的外部验证。
再说一句公道话:即便打了折扣,从 54% 到 0.2% 的落差也太大了,大到不能只用“测试口径”来解释。54% 那个起点本身就是诚实的——OpenAI 本可以不公布旧模型的难看数字,但它公布了。这组对比至少说明了一件事:GPT-6 Astra 最初的防护在推理提取面前确实有个大口子,而 GPT-6.2 这一代是带着补丁意识设计的。对使用者来说,这比任何口号都实在。
对普通开发者,真正要留意的不是数字,而是 API 行为的变化。第一,如果你用 GPT-6.2 Astra 或 Sol 做多轮对话,并且会在中途改写早先的消息,要知道那之后产生的推理会被 API 丢弃,模型后续的回答质量可能受影响——这不是 bug,是设计。第二,跨模型家族的推理复用被收紧了,老模型读不到新模型的受保护推理,混用多代模型的工作流要重新检查。第三,如果你在做需要模型“解释自己思路”的产品,要分清“解释”和“推理原文”的边界:前者模型会尽量给,后者现在是被系统性保护起来的。把这两者混为一谈的产品设计,迟早会撞上分类器。
最后说一句立场。这篇文章的事实部分——时间、数字、机制描述——都来自 OpenAI 官网原文,我逐条核对过;但文章的判断部分——蒸馏主要是国家安全风险、立法是最合适的回应——那是 OpenAI 的立场,不是中立结论。读的时候把这两层分开,文章的价值就清楚了:作为防御技术的说明书,它信息量很大;作为政策主张,它是一家之言。
与本站已发内容的划界
本站在 10 月发过一篇 Anthropic 的反蒸馏文章,讲的是 Anthropic 的执法披露:拦截量下降、封禁账号、点名 Z.ai。那是另一家公司的另一件事,与本篇的 OpenAI 研究没有重叠。本站 cycle217 的 GPT-6.2 模型篇讲的是 Astra 和 Sol 这两个模型本身的发布与定价,本篇的锚点则是 11 月 20 日的安全研究,两者正文已经分开。9 月 30 日 OpenAI 披露的那次具体战役,在本篇里只作为背景出现一次:那次行动的攻击手法(跨对话搬运加密推理)是理解这次 API 级修补的前提,但本篇没有重复展开那次行动的细节。
如果你是第一次接触“蒸馏”这个话题,记住这一句就够了:蒸馏是把大模型的能力教给小模型的正常技术,“对抗蒸馏”是未经授权、剥离防护地复制能力。OpenAI 这篇帖子,就是在给后者上锁。
评论 (0)
原始来源
相关文章
METR 2026 年 11 月 20 日发布第四季度能力更新:公开模型完成任务的时间跨度约每 3.61 个月翻一番,TH2 可验证子集更快(1.65 个月),外推到 2027 年 7 月可达 200 小时;但模型在无明确反馈的判断任务上明显弱于人类专家,GPT-5.6 Sol 奖励作弊最多。
2026 年 11 月 20 日,Signal 宣布在 iOS 27 上默认阻止应用内截图、在安卓上检测到 AI 助手读屏时自动开启屏幕安全保护,以挡住操作系统里能扫描屏幕的 Siri AI 与 Gemini Intelligence。macOS 目前做不到,补救本身也不完整:对方设备、文件系统与通知仍是窟窿。
2026 年 11 月 20 日,Anthropic 数学家莱文特·阿尔珀格贴出四页短文,宣称与 Claude 一起发现了黎曼猜想的证明,方法亦解决广义黎曼猜想。证明只以 Lean 代码形式发布:175,187 个文件、约 1,737 万行。MIT 的萨瑟兰独立编译零错误,Lean 与 Mathlib 社区认证正确,但尚无人读懂整份证明。