一句话:OpenAI 这次防的不是「抄答案」,是「抄思路」。11 月 21 日,OpenAI 发布公告,介绍对抗性蒸馏(把大模型能力偷偷复制到小模型)的防护进展:强化了 GPT-6.2 Astra 与 GPT-6.2 Sol 对内部推理思考链(CoT)的保护,并把研究公开。

一句话:先堵住思考过程
蒸馏是什么,说白了。拿大模型当老师,问它问题、看它怎么答,再用这些问答去训小模型,能力就低成本复制过来了。这条路不算新鲜,真正让 OpenAI 紧张的是另一种偷法:把模型内部「想问题」的那段思考链也一并掏走。
为什么思考链是命门?因为拒答策略、安全对齐,都长在思考过程里。最终输出只是冰山一角,模型「怎么想」才是护栏所在。答得对不等于想得对;思考链一旦被看穿,拒绝回答的防线就形同虚设,连哪些话不该说都成了公开信息。
据 OpenAI 的公告,这次是把 Astra 和 Sol 对内部思考链的保护整体加厚,把能力迁移、检测、防御三类发现一起公开,供全行业参考。划重点:防的是「连思路一起偷」,不是只防抄答案。
再补一句:思考链对蒸馏的价值,不在答案本身,而在过程。老师的一条完整推理,等于把解题路径也交了出去;学生照着路径走,省掉的是自己摸索的成本。OpenAI 要堵的,就是这扇门。路径比答案贵,这在训练里是常识。

从 54% 到 0.2% 是什么概念
据 OpenAI 公布,GPT-6.2 Astra 的思考链提取成功率,从 54% 降到了 0.2%。这组数字先翻译成人话:54% 意味着,一半多的尝试能把模型的内部推理链原样掏出来——不是偶尔得手,是大概率得手。
0.2% 呢?换算一下,两百次尝试里大约成功半次,也就是一千次里中两次的量级。从掷硬币五五开,掉到比抽卡还低的水平。对想批量偷模型的攻击者来说,单次尝试的成本已经高到不划算;对一个要发布战报的厂商来说,这正是最想让你记住的那个数。
但数字要较真:54% 是怎么降下来的、中间换了哪些招,公告没有展开。我们看到的是防守一端的成果,进攻一端的难度曲线,人家没画。攻防这本账,目前只记了一半。
放到竞争层面看,这是两个性质不同的数字。54% 是「读得懂」的水平,说明内部推理基本处于可被探查状态;0.2% 是「绕着走」的水平,说明这条路已经不值得再投入。两个量级之间,隔的不是调参,是立场。

蒸馏偷得走能力,偷不走护栏
先讲清楚蒸馏是什么。说白了,就是拿强模型当老师:问它问题,记下它的回答,拿这批问答去训一个小模型。老师会什么,学生看多了也会,成本只要几分之一。OpenAI 把话说得很直白:「知识蒸馏可以复制强大的 AI 能力,却无法复制围绕这些能力构建的安全防护措施。」
为什么护栏偷不走?因为安全的拒答、价值观对齐,不在最终输出里,而在生成路径的约束里。蒸馏只能学到「答了什么」,学不到「为什么这么答、哪些话打死不说」。字面和口吻能模仿,决策边界抄不走,遇事的取舍也更抄不走。
这也顺带回答了一个老问题:模型能力被蒸馏走了怎么办?OpenAI 的姿势是,护城河不在能力上,在护栏上。能力可以被复刻,围绕能力的防线才是真正难搬的东西。
反过来也能理解 OpenAI 的底气:能力越强,护栏越厚,被蒸馏的性价比就越低。能力是货架上的商品,防护是地基;前者可以比价,后者只能自己砌。买得到的东西都在降价,砌不出来的东西才值钱。

0.2% 是不是真的零
较真时间。0.2% 不是零,是「低到可以接受」。它仍然意味着,一千次尝试里有两次左右能得手,只是对防守方来说,这个量级已经可以被监控兜住。差一个数量级,性质就变了。
再看数字的适用范围。据 OpenAI 公布,它只在 GPT-6.2 Astra 上测得;Sol 呢?别的模型呢?别的攻击手法呢?公告没有给出同口径清单。一个模型上的 0.2%,不等于全家桶都是 0.2%。
还有个可检验的点:如果 0.2% 站得住,攻击者到手的产出应该少到不足以支撑继续迭代;要是市面上仍有稳定兜售 Astra 完整思考链的渠道,这个数字就该打个问号。这条验证路径,比读公告更实在。
还要加一条前提:这是厂商自报的数字,第三方复现还没看到。OpenAI 有动机把数字做得好看,行业惯例是等独立验证。不是它造假,是别急着把战报当战果。但这里有个前提:若后续复测能站住,这次防护的含金量就相当高。

检测「协同性尝试」这一步更关键
单次提取失败,其实不难;难的是发现有人在系统性地批量尝试。据 OpenAI 的公告,研究内容有三块:能力如何迁移、如何检测并阻断「协同性尝试」、这些发现如何强化防御并支持全行业安全防护。
划重点,「协同性尝试」这个词。一两次失败可以当噪声,几十上百次、换着手法持续试探,就是明确的攻击信号。把防护从「堵漏洞」变成「抓行为」,这一步的意义比单点数字的下降更大。
理由很简单:攻击者不会只试一次。提取成功率再低,只要批量试、分散试,总能碰到那 0.2%。所以真正的防线,是让「批量试探」本身被识别、被掐断。数字是防线上的螺丝,行为检测才是那道门。
换句话说,这场攻防已经从「防住一次」推进到「看穿一整套路数」。OpenAI 愿意把检测思路公开,比守住自家一个 0.2% 更值钱——护栏这东西,只有大家都有,才叫护栏。单打独斗的安全,往往是最贵的安全。
常见问题
问:蒸馏到底是什么?答:说白了就是拿强模型当老师,记下它的回答去训小模型,能力被低成本复刻;但据 OpenAI 的说法,蒸馏复制得了能力,复制不了围绕能力构建的安全防护。
问:0.2% 意味着什么?答:据 OpenAI 公布,GPT-6.2 Astra 的思考链提取成功率从 54% 降到 0.2%,两百次尝试里大约成功半次;这个数字只在 Astra 上测得,其他模型和攻击方式没有同口径公布。
问:只防住提取就够了吗?答:不够。单次提取失败容易,难的是发现有人系统性批量试;据 OpenAI 的公告,研究还包括检测并阻断「协同性尝试」,等于把防护从堵漏洞推进到抓行为。