Anthropic: saját mérésben 90–99%-kal kevesebb kinyert adat

Az Anthropic 2026. október 12-i kutatási közlése szerint a Claude jogosulatlan desztillálása ellen bevezetett módszerek a korai mérésekben körülbelül 90–99%-kal csökkentették a támadók által megszerzett adatok mennyiségét, miközben a kétlépcsős osztályozó közölt tévespozitív aránya 0,1% alatt maradt. Ez a vállalat saját platformján becsült eredmény, amely elsősorban a modell rejtett gondolkodási előzményeinek kinyerését érinti. Az Anthropic már most számít arra, hogy a támadók új módszerekkel próbálkoznak.

A Reuters október 12-i beszámolója az amerikai–kínai MI-verseny összefüggésében tárgyalja az ügyet, és az Anthropic állításaként írja le, hogy a Z.ai néven is ismert Zhipu a GLM-5.3 fejlesztésekor a Claude képességeit próbálta kinyerni; Z.ai nem válaszolt azonnal a hírügynökség megkeresésére. A hírügynökség a védelmi eredményt Anthropic-adatként ismerteti, saját hatékonyságmérést nem közöl.

Miért értékes a Claude gondolkodási előzménye?

A modelldesztillációban egy erősebb modell válaszai tanítóanyagként szolgálnak egy másik modellhez. Az itt tárgyalt tiltott változat szervezett, engedély nélküli adatgyűjtés: a támadó sok kéréssel igyekszik megszerezni azt a viselkedést, amelyet saját modelljével utánoztatna. A végső válasz önmagában is hasznos, a gondolkodási előzmény azonban azt is megmutathatja, milyen köztes lépésekkel jutott a Claude az eredményhez. Ezért a védelem súlypontja a rejtett gondolkodás kinyerésének megakadályozása.

Az Anthropic korábban összefoglalta a felhasználónak megjelenő gondolkodási részeket, hogy azok kevesebb tanítási információt adjanak. Az aktív támadások ezután arra próbálták rávenni a modellt, hogy mégis írja ki a teljes előzményt, vagy fogadjon el másik beszélgetésből átvitt gondolkodási blokkot bizonyítékként arra, hogy a kérdező már látta azt. Az ilyen próbálkozás eltér egy hosszú, szabályos API-beszélgetéstől: a cél a védett köztes tartalom rendszeres összegyűjtése.

Három réteg nehezíti a kinyerést

Az első réteg a korábbi gondolkodási blokkot ahhoz a változatlan beszélgetési előzményhez köti, amelyben keletkezett. Így a támadó nehezebben helyezheti át egy átírt párbeszédbe, hogy onnan visszakérje a teljes gondolkodást. A modellek közti olvashatóságot is korlátozzák: egy gyengébben védett változat nem férhet automatikusan hozzá egy erősebb modell korábbi blokkjához. Bizonyos blokkok az eredeti API-fiókhoz is kötődnek, ami a fiókok közötti átvitel lehetőségét szűkíti.

A második réteg a rejtett gondolkodás feltárására irányuló kéréseket felismerő osztályozó. A rendszert korábbi kinyerési próbálkozások átiratain, valamint belső és külső támadásszimulációkon finomították. Már olyan megkerülések ellen is módosították, amelyek más nyelvre fordítva vagy a válaszba illesztett jelölések között kérték a korábbi gondolkodást. A közölt alacsony tévespozitív arány a vállalati értékelésre vonatkozik; egy téves besorolás ettől még szabályos kérést is megszakíthat.

A harmadik réteg a kitartó próbálkozások folytatását nehezíti. Az ismételten kinyerést célzó fiókok szigorúbb használati korlátot kaphatnak, tartós visszaélésnél pedig hozzáférést veszíthetnek. A vállalat egyes, még a Claude válasza előtt blokkolt kérésekért is díjat számít fel. Ez a költség és a fiókhoz kötött korlátozás együtt számít: a támadók különben új fiókok között oszthatnák el a sikertelen próbálkozásokat.

Mit változtat ez a szabályos API-használatban?

A Claude Platform dokumentációja szerint a 2026. augusztus 31-én vagy később létrehozott API-fiókoknál a Claude Fable 5.1, Claude Opus 5.5, Claude Sonnet 5.5 és Claude Haiku 5.5 ellenőrzi a visszaküldött gondolkodási blokk előtti előzményt; eltéréskor a kérés alapértelmezés szerint 400-as hibával megáll, ha a fejlesztő nem az érvénytelen blokk eldobását választja. Az ellenőrzött részbe a rendszerutasítás, az eszközök leírása és a blokk előtti üzenetek tartoznak. A modell eredete külön ellenőrzés: nem minden Claude-változat olvashatja minden másik változat gondolkodási blokkját.

Ez a változás olyan legitim alkalmazást érinthet, amely minden forduló előtt újraépíti a beszélgetést. Ha közben átírja a rendszerutasítást, lerövidít egy korábbi eszközeredményt vagy módosít egy régi felhasználói üzenetet, a később megtartott gondolkodási blokk érvénytelenné válik. Az eldobást választó integrációban a kérés folytatódhat, de a modell az adott blokk korábbi gondolkodását már nem kapja meg. Ez eltérő választ vagy több újra elvégzett gondolkodási munkát eredményezhet.

A kizárólag új üzeneteket hozzáfűző integráció megőrzi a blokk előtti kontextust, így az előzményellenőrzés ezen a ponton nem akadályozza a folytatást. Az a kliens sem ütközik ebbe a konkrét ellenőrzésbe, amely nem küld vissza gondolkodási blokkokat, bár így a modell nem használhatja fel a korábbi gondolkodását. Régebbi API-fiókoknál a kontextusellenőrzés alapértelmezett érvényesítése eltér, ezért azonos alkalmazáskód mellett is más eredmény jelenhet meg egy új fiókban.

Mit mutat a mérés, és hol a határa?

A vállalat a saját platformján azt becsüli, mennyi gondolkodási tokent tudtak a desztillálók megszerezni a védelmi változtatások után a korábbi időszakhoz képest. Ez közelebb áll a tényleges kinyeréshez, mint pusztán a blokkolt kérések száma, mert a felhasználható tanítóanyag mennyiségére kérdez rá. A támadók azonosítása és a kinyert tokenek becslése viszont Anthropic-adatokon alapul; a nyilvános összesítésből külső szereplő ugyanazt a számítást nem tudja megismételni. A közölt hatás így korai jelzés, amelynek tartósságát még nem reprodukálták függetlenül.

A tartósság külön kérdés, mert a korábbi védelmekre a támadók már új kérésmintákkal és sok fiókra szétosztott forgalommal reagáltak. A mostani osztályozót a felismert megkerülések után módosítják, de a vállalat még nem látott különösen kifinomult és kitartó kísérletet az új védelem megkerülésére. A Claude-ot integráló fejlesztők számára a következő érdemi adat az lesz, hogy az újabb támadási minták mellett is alacsony marad-e a kinyerhető gondolkodás mennyisége, miközben a téves riasztások nem zavarják számottevően a szabályos kéréseket.

Olvassa el ezt is: