美西时间 2026 年 11 月 20 日(@OpenAI 官方社交账号于北京时间 2026 年 11 月 21 日 03:33 同步发文),OpenAI 发布研究报告《Combatting adversarial distillation》,系统披露其对抗未授权模型蒸馏的防护架构、内部网络安全能力迁移实验结果以及 GPT-6.2 Astra 与 GPT-6.2 Sol 在 API 层面落地的具体保护机制。OpenAI 将防蒸馏防护级别与生物安全、网络安全对齐,核心目标在于防止外部行为体提取模型受保护的内部推理过程(protected reasoning / 思维链),从而在脱离原有安全护栏的情况下复现高风险能力。
为何必须死守原始思维链?网安蒸馏实验与红队防提取量化结果
合规防御轨迹中的原始思维链仍可迁移双用途网安能力:在 OpenAI 公布的内部对照研究中,团队从同一预训练学生模型出发,使用 Astra 级别教师模型执行合规编程与防御性网络安全任务时产生的交互轨迹构建监督微调(SFT)数据集,分别对比仅提供用户可见内容(最终回答、推理摘要与工具交互)与额外提供教师完整原始思维链(exact reasoning traces)的蒸馏效果,并在 ExploitBench 与 SEC-bench Pro 两项网络安全基准上进行评估。OpenAI 报告称,SFT 完成后,采用完整原始思维链训练的学生模型整体优于摘要组;在叠加一轮轻量编码与网安强化学习(RL)后,原始思维链组在测试的最大推理算力预算下仍在两项基准上保持领先(低算力预算下摘要组得分略高)。OpenAI 在脚注中指出,这一结论与 Anthropic 此前在 SWE-bench Verified 上发现的规律一致,表明即便教师端执行的是完全合规的防御任务,内部原始推理过程依然会向学生模型传递超出原始任务的泛化能力。
自适应黑盒红队测试中提取成功率降至 1% 以下:为检验升级后的请求级防护效果,OpenAI 汇总了六个攻击模型开展自适应黑盒自动红队测试(攻击代理会根据防御反馈动态调整套话策略)。在 OpenAI 公布的内部评测数据中,从先前请求提取受保护推理的平均攻击成功率(ASR)从 GPT-6 Astra 初始防护下的 54.0% 降至 GPT-6.2 Astra 新防护下的 0.2%;提取当前请求受保护推理的平均攻击成功率则从 22.9% 降至 0.9%。OpenAI 表示,部分新增防护改进也正回溯部署至 GPT-6 Astra。

图片来源:DigIntoAI 根据 OpenAI 官方研究文章《Combatting adversarial distillation》整理制作。
双层防护栈与直接影响 API 开发者的三项行为变化
对话历史强绑定、跨模型家族隔离与工具参数分类器扫描:在请求级防护(Request-level)上,OpenAI 结合对抗防御训练、输入/输出分类器与 API 边界控制三道防线,其中有三项改动与开发者日常调用 GPT-6.2 API 密切相关。第一,GPT-6.2 Astra 与 GPT-6.2 Sol 将受保护推理严格绑定到生成它的对话历史:随着新消息追加,模型可延续既有推理,但如果调用方改写(rewrite)了对话中的早期消息,API 会自动丢弃该消息之后的推理记录。第二,API 强化了跨用户、跨工作区、跨组织与跨模型家族边界,封堵了 2026 年 9 月披露的「将加密推理跨会话搬运或喂给旧模型套话还原」路径,现已禁止防护较弱的旧模型家族读取 GPT-6.2 Astra 与 Sol 的受保护推理。第三,流式与非流式输出分类器不仅检查助手回复正文,还同步扫描工具调用参数(tool-call arguments),防止模型绕过最终回答在工具参数中泄露内部思维链。
活动级执法规模、行业协同与政策表态:在活动级防护(Campaign-level)上,OpenAI 称其关联请求与账号层信号持续排查协调式蒸馏活动,今年以来每周针对违规网络的执法处置规模处于数千至数万个账号之间,且今年夏季以来频率显著攀升;在一致标准政策(consistent-standards policy)下,OpenAI 还跨部署合作伙伴协同执法,并与其他模型厂商及前沿模型论坛(Frontier Model Forum)共享失陷指标(IOC)。在政策与归因段落中,OpenAI 重申其于今年 2 月向美国国会通报关于 DeepSeek 试图蒸馏美国前沿模型的活动,并重申今年 9 月将一起被阻断的受保护推理提取活动核心部分归因于与 Moonshot AI(Kimi 开发方)有关的人员,同时表态支持美国国会推进 Chip Security Act、AI OVERWATCH Act 与 MATCH Act 等法案(上述归因与政策立场均属 OpenAI 单方在报告中的表述)。对于其他模型厂商与平台,OpenAI 给出的四点通用建议是:全链路保护私有推理(含工具调用参数)、将真实提取攻击日志留存为自适应红队回归测试集、把请求级拦截与活动级账号执法结合起来,以及跨托管伙伴统一防护底线。

图片来源:DigIntoAI 根据 OpenAI 官方研究文章整理制作。
