Michael JohnsonAnthropic kuvasi 12. lokakuuta uuden luvattoman destilloinnin vastaisen toimenpidekokonaisuuden Claude-malleille. Yhtiön arvion mukaan luokittimien käyttöönoton jälkeen hyökkääjien sen alustalta keräämien päättelytokeneiden määrä pieneni 10–100-kertaisesti aiempaan verrattuna. Kyse on Anthropicin sisäistä liikennettä koskevasta arviosta, ei koko alaa kattavasta destilloinnin mittauksesta.
Destillointi on koulutusmenetelmä, jossa yksi malli oppii toisen mallin vastausten perusteella. Anthropicin uudet rajoitukset kohdistuvat tilanteisiin, joissa tiliverkostot yrittävät kerätä suojattuja päättelytietueita muiden mallien kouluttamista varten. Yhtiö kuvaa myös välityspalveluja, jotka jakavat pyyntöjä eri tilien, mallien ja infrastruktuuripalvelujen kesken.
Kolme suojaustasoa
Ensimmäinen taso rajoittaa suojattujen päättelylohkojen siirtämistä keskustelujen, tilien ja mallien välillä. Claude Fable 5.1- ja Opus 5.5 -malleissa Anthropic otti käyttöön preserved thinking -tilan: 31. elokuuta 2026 tai sen jälkeen luodut uudet API-tilit eivät voi muokata mallin aiempaa kontekstia. Sonnet 5.5 -mallin päättelytietueet ovat saatavilla vain organisaatiolle, jonka pyyntö ne loi.
Toinen taso koostuu kaksivaiheisista luokittimista, joilla pyritään tunnistamaan piilotetun päättelyn keräämisyritykset. Anthropic kertoo testanneensa järjestelmää sisäisissä ja ulkoisissa red team -testeissä. Väärien hälytysten osuus on yhtiön mukaan alle 0,1 %. Luokittimia käytetään tehokkaimpiin yleisesti saatavilla oleviin malleihin, jotka on lueteltu uusien suojausten kuvauksessa.
Kolmas taso vaikeuttaa uusia yrityksiä: tileille, joilla havaitaan toistuvia keräämisen merkkejä, asetetaan tiukemmat rajoitukset tai ne suljetaan. Anthropic kertoo sulkeneensa kymmeniätuhansia destillointiin liittyviä tilejä. Yhtiön mukaan monet niistä havaittiin alle kahdessa tunnissa kampanjan alkamisesta.
Mitä ilmoitettu vähennys mittaa
10–100-kertainen arvio vertaa niiden Claude-päättelytokeneiden määrää, jotka Anthropic katsoo kerätyiksi omalla alustallaan ennen uusien luokittimien käyttöönottoa ja sen jälkeen. Mittari kuvaa yhtiön havaitsemaa liikennettä, ei muiden mallien laatua tai koko alan destilloinnin määrää. Anthropic kertoo, että luokittimet tunnistavat sen syyskuun raportissa kuvatut keräystekniikat lueteltujen mallien kohdalla.
Yhtiö esittää erikseen SWE-bench Verified -testin tulokset. Claude Opus 4.8:n täydellisillä litteroinneilla jälkikoulutettu esikoulutettu malli sai tulokseksi 80,4 %, kun taas lyhennetyillä litteroinneilla koulutettu malli sai 71,8 %. Tässä kokeessa lyhennetyt tietueet auttoivat mallia vähemmän SWE-bench Verified -tehtävien ratkaisemisessa. Anthropic ei esitä näitä tuloksia arviona koko uuden suojauskokonaisuuden tehokkuudesta.
Vaikutukset kehittäjille
Suojaukset muuttavat API-integraatioita ja laskutusta. Anthropic kertoo, että preserved thinking -tila edellytti päivityksiä osalta kehittäjistä, luokittimet voivat virheellisesti estää harmittomia pyyntöjä alle 0,1 prosentissa tapauksista, ja 24. syyskuuta alkaen yhtiö on veloittanut suojauksen pysäyttämistä pyynnöistä niissä luokissa, joissa ilmoitettu väärien hälytysten osuus on alle 0,1 %.
Kontekstia kutsujen välillä siirtävien tiimien kannattaa tarkistaa, että niiden logiikka toimii suojattujen päättelylohkojen kanssa, ja testata virhetilanteiden käsittelyä sekä laskutusta tavanomaisissa käyttötapauksissa. API-alustojen tarjoajille Anthropic suosittelee välittäjien ja kolmannen osapuolen infrastruktuurin kautta tapahtuvan väärinkäytön seurantaa sekä vahvistettujen tiliverkostojen sulkemista.
Anthropic odottaa hyökkääjien mukautuvan ja kertoo jatkavansa luokittimien päivittämistä. Kehittäjien käytännön tehtävä on jo selvä: huomioida kontekstin siirtämiseen liittyvät rajoitukset ja tarkistaa, miten integraatio käsittelee estot ja laskutuksen.