Michael JohnsonAnthropic, 12 Ekim’de Claude modellerinin yetkisiz damıtılmasına karşı yeni bir önlem dizisini anlattı. Şirketin tahminine göre sınıflandırıcıların devreye alınmasının ardından, kendi platformunda kötü niyetli kişilerce çıkarılan akıl yürütme belirteçlerinin sayısı öncekine kıyasla 10–100 kat azaldı. Bu, Anthropic’in kendi iç trafiğine ilişkin bir tahmindir; sektör genelinde damıtmayı ölçen bir çalışma değildir.
Damıtma, bir modelin başka bir modelin yanıtları üzerinden eğitildiği bir yöntemdir. Anthropic’in yeni kısıtlamaları, hesap ağlarının korunan akıl yürütme kayıtlarını çıkarıp başka modelleri bunlarla eğitmeye çalıştığı senaryoları hedefliyor. Şirket ayrıca istekleri hesaplar, modeller ve altyapı sağlayıcıları arasında dağıtan vekil hizmetleri de açıklıyor.
Üç katmanlı koruma
İlk katman, korunan akıl yürütme bloklarının diyaloglar, hesaplar ve modeller arasında aktarılmasını sınırlandırıyor. Claude Fable 5.1 ve Opus 5.5 için Anthropic, preserved thinking modunu devreye aldı: 31 Ağustos 2026’da veya daha sonra oluşturulan yeni API hesapları, modelin önceki bağlamını düzenleyemiyor. Sonnet 5.5’te ise akıl yürütme kayıtlarına yalnızca bunları talep eden kuruluş erişebiliyor.
İkinci katman, gizli akıl yürütmeyi çıkarma girişimlerini belirlemek için iki aşamalı sınıflandırıcılar kullanıyor. Anthropic, sistemi kurum içi ve harici red-team testleriyle sınadığını ve yanlış pozitif oranının %0,1’in altında olduğunu bildiriyor. Şirket, sınıflandırıcıları yeni korumaların açıklamasında listelenen en güçlü, genel kullanıma açık modellere uyguluyor.
Üçüncü katman, tekrarlanan girişimleri zorlaştırıyor: Kalıcı çıkarma belirtileri gösteren hesaplara daha sıkı kısıtlamalar uygulanıyor veya hesaplar engelleniyor. Anthropic, damıtmayla bağlantılı on binlerce hesabı engellediğini söylüyor; şirketin verilerine göre bunların çoğu, kampanya başladıktan sonraki iki saat içinde tespit edildi.
Bildirilmiş düşüş neyi ölçüyor?
10–100 katlık tahmin, Anthropic’in kendi platformunda çıkarıldığını belirlediği Claude akıl yürütme belirteçlerinin sayısını, yeni sınıflandırıcılar devreye alınmadan önceki ve sonraki dönemler arasında karşılaştırıyor. Bu ölçüt, şirketin gözlemlediği trafiği ifade ediyor; başka modellerin kalitesini veya sektör genelindeki damıtma hacmini değil. Anthropic, listelenen modellerdeki sınıflandırıcıların eylül raporunda açıklanan tüm çıkarma tekniklerini tespit ettiğini belirtiyor.
Şirket ayrıca SWE-bench Verified üzerinde ayrı bir test sunuyor. Claude Opus 4.8’in tam dökümleriyle ince ayar yapılan önceden eğitilmiş bir model %80,4; kısaltılmış dökümlerle eğitilen bir model ise %71,8 puan aldı. Bu deneyde kısaltılmış kayıtlar, modele SWE-bench Verified görevlerini çözmede daha az katkı sağladı. Anthropic bu sonuçları, yeni koruma paketinin genel etkililiğinin ölçümü olarak sunmuyor.
Geliştiriciler üzerindeki etkiler
Koruma önlemleri API entegrasyonlarını ve ücret hesaplamalarını değiştiriyor. Anthropic, preserved thinking modunun bazı geliştiricilerin güncelleme yapmasını gerektirdiğini; sınıflandırıcıların zararsız istekleri %0,1’den düşük bir oranda yanlışlıkla engelleyebildiğini belirtiyor. Şirket ayrıca 24 Eylül’den itibaren, yanlış pozitif oranının %0,1’in altında olduğu kategorilerde korumalar tarafından durdurulan istekler için ücret alıyor.
Çağrılar arasında bağlam aktaran ekipler, mantıklarının korunan akıl yürütme bloklarıyla uyumunu kontrol etmeli; olağan senaryolarda retlerin nasıl işlendiğini ve ücretlendirmeyi test etmelidir. Anthropic, API platformu sağlayıcılarına aracı hizmetler ve üçüncü taraf altyapısı üzerinden yapılan kötüye kullanımları izlemelerini ve doğrulanmış hesap ağlarını devre dışı bırakmalarını öneriyor.
Anthropic, saldırganların yöntemlerini uyarlamasını bekliyor ve sınıflandırıcıları güncellemeyi sürdürdüğünü bildiriyor. Geliştiriciler açısından pratik görev şimdiden belli: bağlam aktarımına getirilen kısıtlamaları hesaba katmak ve entegrasyonun engellemeleri ve ücretlendirmeyi nasıl ele aldığını doğrulamak.