OpenAI 在 11 月 20 日发了一篇讲对抗蒸馏的文章,我先把核心数字摆出来:针对 GPT-6.2 Astra 的自适应黑盒红队里,抽取历史思维链的攻击成功率从 54.0% 压到了 0.2%。这不是小修,是把一条能力泄露的通道基本焊死。这个信号值得开发者看。

我打开原文读了 1 遍,把四层防线核出来。官方标的四个字:模型训练、安全护栏、检测、执法。原文对应 adversarial testing、model training、classifiers、API-level protections,再加对协调式提取活动的调查。官方明说这套防线跟它用在生物安全和网络安全上的那套对齐了。

四层防线我逐条核了原文。模型训练层是训练阶段就防蒸馏,安全护栏层是部署侧的思维链防护,检测层是识别抽取行为,执法层是封号和法律动作。官方说的「协调式提取活动调查」单列在四条之外,是战役级动作。

它护的是思维链,不是最终答案

对抗蒸馏的核心风险,官方写得很清楚。蒸馏是让一个模型学另一个模型的产出,坏就坏在第二个模型能学到前沿能力,却不继承原模型的安全护栏。风险在双用途领域最明显,网络安全和生物,能帮防守的能力也能帮攻击。

所以它护的重点是 protected reasoning,也就是思维链。官方说,思维链里可能包含最终答案没写出来的信息,对另一个模型来说是极有价值的训练数据。为什么思维链比答案值钱。官方解释,最终答案可能只有一句,但思维链里有中间推理、试错、排除项,这些过程信息对另一个模型的训练价值更高。所以护思维链比护答案更关键。

官方标的几个数字,我原样摆出来。对 GPT-6 Astra 用原始护栏时,抽取历史思维链的攻击成功率 54.0%,升级到 GPT-6.2 Astra 的新护栏后掉到 0.2%;针对当前请求的抽取,从 22.9% 掉到 0.9%。这组数字是自适应黑盒红队、聚合六个攻击模型测出来的,官方自己标的。我查了 1 遍原文,GPT-6.2 有 Astra 和 Sol 两个版本,防蒸馏这条主要在 Astra 上验证。

两组数字要分清。「earlier request」是抽历史思维链,「current request」是抽当前请求的。前者的威胁更大,因为历史思维链是现成的训练数据。官方把这两个场景分开测,说明它不是拍脑袋给一个数。

检测和执法是后半程

官方强调,单靠请求级的防护不够,要配战役级的调查和执法。它今年在平台上见过多次未经授权的对抗蒸馏活动,每周执法规模从数千到数万账户不等。这是持续动作,不是一次性封号。

官方还点了名。9 月报告里说破坏了一场抽取思维链的活动,核心部分归因给 Kimi 的开发者 Moonshot AI 的相关人员;2 月还向国会简报过 DeepSeek 试图蒸馏美国前沿模型。这说明它把蒸馏当国家安全议题在处理,不是普通的内容风控。

我核了 1 遍官方给的落地建议,四条。保护私有推理要贯穿全交互,检查 assistant 消息和工具调用参数有没有泄露。把红队发现的成功攻击日志留作回归测试。把请求级缓解和战役级调查执法结合起来。再跟部署伙伴协调护栏要求。这四条是给其它模型厂商的,但对做 Agent 的开发者同样适用。

我给你补一条,官方没明说但顺理成章。你自己的 Agent 里别把 reasoning_content 写进日志或埋点,那等于把思维链存下来等人抽。要存就存最终回答,思维链用完即弃。这条记住了。

三个判断:能力抽取被当成对抗目标

我给三个判断。第一,模型厂商开始把思维链当核心资产护,你接模型时拿到的 reasoning_content 字段,未来可能越来越受限。别把产品逻辑建在「能读到完整思维链」上。这是设计假设,不是可选项。

第二,蒸馏这条线上了国家安全的高度。官方明确支持 Chip Security Act、AI OVERWATCH Act、MATCH Act 三个法案,芯片和模型两头一起卡。做跨境模型产品的团队,应该盯紧这个政策信号,它比技术细节更先落地。

第三,四层防线的思路可以抄。请求级拦截、日志回放、检测、执法,你给自己的 Agent 做安全也能照这个分层。不用等大厂方案,这套分层本身就能用。

一句结论。这件事的信号不是「OpenAI 更安全了」,是能力抽取被正式当成对抗目标来防。54.0% 到 0.2% 这个跨度说明思维链保护是真能做的,也说明之前它有多容易被抽走。我建议做 Agent 的,现在就把「不依赖完整思维链」写进设计假设。这个假设越早写进架构越省事,别等到接上 reasoning_content 才发现晚了。