OpenAI 最新一輪安全升級把矛頭對準了“模型怎麼想”這件事。根據其公佈的資料,針對 GPT-6.2 Astra 和 GPT-6.2 Sol 的內部推理提取攻擊,在自適應黑盒紅隊測試中成功率大幅下降:從歷史請求中提取受保護推理的成功率,由上一代 GPT-6 Astra 的 54.0% 降至 0.2%;針對當前活躍請求的攻擊成功率則從 22.9% 降至 0.9%。這組數字來自六種攻擊模型的彙總測試,OpenAI 表示部分改進也將回推到 GPT-6 Astra。

所謂“提取推理”,是指攻擊者通過精心構造的提示詞或工具呼叫,誘導模型輸出本應隱藏的中間思考過程。這類內容一旦被批次獲取,可能被用於蒸餾訓練更小的模型,或直接復刻大模型的能力。OpenAI 的防禦分兩個層面展開。在單次請求層面,系統結合了針對性訓練、對訊息與工具呼叫的輸入輸出過濾,以及 API 層面的阻斷,防止舊模型讀取受保護的推理內容。在協同攻擊層面,OpenAI 每週封禁數千至數萬個賬號,以遏制有組織的蒸餾行為。

這一動向並非孤立。另一家主要模型廠商 Anthropic 也在應對系統性的蒸餾攻擊,同樣每週封禁數萬個賬號,據報在 90% 至 99% 的案例中成功攔截。Anthropic 還呼籲行業與政策制定者協同應對。更早的 2026 年 2 月,Anthropic 曾指控 DeepSeek、Moonshot 和 MiniMax 通過 1600 萬次查詢竊取 Claude 的資料。

從行業角度看,推理鏈正成為大模型競爭中的敏感資產。對 OpenAI 而言,防止推理被提取不僅關乎智慧財產權,也關乎其 API 商業模式——如果第三方能低成本複製模型的思考過程,按 token 計費的護城河就會被侵蝕。但防禦升級也可能帶來副作用:更嚴格的過濾和 API 阻斷,可能讓部分正常開發者的除錯與整合變得更困難。如何在安全與可用性之間取得平衡,將是 OpenAI 和整個行業接下來要面對的課題。