Michael JohnsonDen 12 oktober beskrev Anthropic en ny uppsättning åtgärder mot obehörig destillering av Claude-modeller. Enligt företagets bedömning har antalet responstoken som angripare extraherar på dess plattform minskat med 10–100 gånger sedan klassificerare infördes. Det är en uppskattning av Anthropics interna trafik, inte en övergripande mätning av destillering i hela branschen.
Destillering är en träningsmetod där en modell lär sig av en annan modells svar. Anthropics nya begränsningar riktar sig mot scenarier där nätverk av konton försöker extrahera skyddade resonemangsposter för att träna andra modeller på dem. Företaget beskriver också proxytjänster som fördelar förfrågningar mellan konton, modeller och infrastruktureleverantörer.
Tre skyddsnivåer
Den första nivån begränsar överföring av skyddade resonemangsblock mellan konversationer, konton och modeller. För Claude Fable 5.1 och Opus 5.5 har Anthropic infört läget preserved thinking: nya API-konton som skapats den 31 augusti 2026 eller senare kan inte redigera modellens föregående kontext. För Sonnet 5.5 är resonemangsposter endast tillgängliga för den organisation vars förfrågan skapade dem.
Den andra nivån består av klassificerare i två steg som ska upptäcka försök att extrahera dolda resonemang. Anthropic uppger att systemet har testats genom interna och externa red-team-tester och att andelen falska positiva resultat är under 0,1 procent. Företaget använder klassificerarna på de mest kapabla allmänt tillgängliga modellerna i listan i beskrivningen av de nya skydden.
Den tredje nivån gör upprepade försök svårare: konton med ihållande tecken på extraktion får strängare gränser eller blockeras. Anthropic uppger att företaget har blockerat tiotusentals konton med koppling till destillering; enligt företaget upptäcktes många av dem mindre än två timmar efter att en kampanj hade inletts.
Vad den uppgivna minskningen mäter
Uppskattningen på 10–100 gånger jämför antalet Claude-responstoken som Anthropic anser har extraherats på den egna plattformen före och efter införandet av de nya klassificerarna. Måttet beskriver den trafik företaget kan observera, inte kvaliteten på andras modeller eller omfattningen av destillering i hela branschen. Anthropic skriver att klassificerarna upptäcker alla extraktionstekniker som beskrivs i företagets rapport från september på de angivna modellerna.
Företaget redovisar också ett separat test på SWE-bench Verified. En förtränad modell som finjusterats på fullständiga transkriptioner från Claude Opus 4.8 fick 80,4 procent; en modell som tränats på förkortade transkriptioner fick 71,8 procent. I experimentet gav de förkortade transkriptionerna modellen mindre hjälp med att lösa uppgifter i SWE-bench Verified. Anthropic framställer inte resultaten som ett mått på hur effektiva alla de nya skydden är.
Konsekvenser för utvecklare
Skydden påverkar integrationer och API-kostnader. Anthropic uppger att läget preserved thinking krävde uppdateringar från vissa utvecklare, att klassificerarna kan blockera harmlösa förfrågningar av misstag i mindre än 0,1 procent av fallen och att företaget sedan den 24 september tar betalt för förfrågningar som stoppas av skydden i kategorier där den uppgivna andelen falska positiva resultat är under 0,1 procent.
Team som överför kontext mellan anrop bör kontrollera att deras logik fungerar med skyddade resonemangsblock och testa hur ordinarie scenarier hanterar avslag och debitering. Anthropic uppmanar leverantörer av API-plattformar att bevaka missbruk via mellanhänder och tredjepartsinfrastruktur samt stänga av bekräftade kontonätverk.
Anthropic räknar med att angripare kommer att anpassa sig och uppger att företaget fortsätter att uppdatera klassificerarna. Den praktiska uppgiften för utvecklare är redan tydlig: ta hänsyn till begränsningar för kontextöverföring och kontrollera hur integrationen hanterar blockeringar och debitering.