大规模封号来了!OpenAI开打反蒸馏战
OpenAI毫不掩饰地挑明:今天夏天以来,为了打击白嫖的账号,我们一周最多封几万个号,甚至直接按网络连锅端!
也就是说,只要你的账号矩阵中有一个节点暴露,与之关联的其他账号也会被「连坐」,数据全部化为乌有。
OpenAI表示,蒸馏这个大家心照不宣的灰色地带行为,绝不是简单的侵权而已,而是会导致严重的安全危机!
因为在蒸馏的过程中,模型强大的能力被抄走,OpenAI耗巨资打造的安全护栏,却没了。
而防守方(比如 GPT-6.2 系列)需要自己判断:你这个问题,是在正常问我,还是在恶意白嫖我的思路?
如果你现在去调用 OpenAI 的 API,只能看到它想让你看到的东西——摘要。
偷师者们最眼红的,是CoT。这些未加掩饰的、最原始的思维链里,藏着答案里没写出来的高阶逻辑和泛化能力,可以说是最宝贵的财富。
在经过了包含Astra级别教师模型轨迹的监督微调(SFT)之后, 学了原始思维链的A组,在网络安全基准测试上的得分普遍碾压了B组!
而当两组模型都再经过一轮轻量级的强化学习后,在给予最大推理算力预算时,A组依然保持领先。仅仅在算力预算较小的时候,B组才勉强反超。
哪怕提取的数据仅仅用于合规的防御性任务,学生模型也能从中领悟出,适用于攻击性任务的通用技能。
这是一套将对抗性测试、模型训练、分类器和API级别保护相结合的四层网络,OpenAI进行了深度的架构改造。
在最新发布的 GPT-6.2 Astra 和 GPT-6.2 Sol 中,OpenAI 将模型的推理过程与产生它的「对话历史」进行了硬绑定。
如果你试图修改前面的一句提示词,想看看模型怎么改变思路,抱歉,API 会直接把后面的所有推理过程作废!
以前,黑客会把一段加密的思维链强行搬进另一个新对话,哄骗模型自己把加密内容「念出来」,甚至能露出别人的加密推理。
在模拟真实生产环境的测试中,当攻击模型试图去套取「上一轮对话」的受保护推理时,旧防线下的 GPT-6 Astra 被攻破的平均成功率为 54.0%。
但在更新了新防线的 GPT-6.2 Astra 面前,这个数字被压制到了惊人的 0.2%!
目前,GPT-6.2 Sol 也已经全量上线了这套防护,旧版的 GPT-6 Astra 也正在紧急打补丁。