OpenAI 最新一轮安全升级把矛头对准了“模型怎么想”这件事。根据其公布的数据,针对 GPT-6.2 Astra 和 GPT-6.2 Sol 的内部推理提取攻击,在自适应黑盒红队测试中成功率大幅下降:从历史请求中提取受保护推理的成功率,由上一代 GPT-6 Astra 的 54.0% 降至 0.2%;针对当前活跃请求的攻击成功率则从 22.9% 降至 0.9%。这组数字来自六种攻击模型的汇总测试,OpenAI 表示部分改进也将回推到 GPT-6 Astra。
所谓“提取推理”,是指攻击者通过精心构造的提示词或工具调用,诱导模型输出本应隐藏的中间思考过程。这类内容一旦被批量获取,可能被用于蒸馏训练更小的模型,或直接复刻大模型的能力。OpenAI 的防御分两个层面展开。在单次请求层面,系统结合了针对性训练、对消息与工具调用的输入输出过滤,以及 API 层面的阻断,防止旧模型读取受保护的推理内容。在协同攻击层面,OpenAI 每周封禁数千至数万个账号,以遏制有组织的蒸馏行为。
这一动向并非孤立。另一家主要模型厂商 Anthropic 也在应对系统性的蒸馏攻击,同样每周封禁数万个账号,据报在 90% 至 99% 的案例中成功拦截。Anthropic 还呼吁行业与政策制定者协同应对。更早的 2026 年 2 月,Anthropic 曾指控 DeepSeek、Moonshot 和 MiniMax 通过 1600 万次查询窃取 Claude 的数据。
从行业角度看,推理链正成为大模型竞争中的敏感资产。对 OpenAI 而言,防止推理被提取不仅关乎知识产权,也关乎其 API 商业模式——如果第三方能低成本复制模型的思考过程,按 token 计费的护城河就会被侵蚀。但防御升级也可能带来副作用:更严格的过滤和 API 阻断,可能让部分正常开发者的调试与集成变得更困难。如何在安全与可用性之间取得平衡,将是 OpenAI 和整个行业接下来要面对的课题。