Michael Johnson12 жовтня Anthropic описала новий комплекс заходів проти несанкціонованої дистиляції моделей Claude. За оцінкою компанії, після впровадження класифікаторів кількість токенів міркувань, які зловмисники вилучають на її платформі, стала у 10–100 разів меншою, ніж раніше. Це оцінка внутрішнього потоку Anthropic, а не загальний вимір дистиляції в усій галузі.
Дистиляція — це метод навчання, за якого одна модель навчається на відповідях іншої. Нові обмеження Anthropic спрямовані проти сценаріїв, коли мережі облікових записів намагаються вилучати захищені записи міркувань, щоб навчати на них інші моделі. Компанія також описує проксі-сервіси, які розподіляють запити між обліковими записами, моделями та постачальниками інфраструктури.
Три рівні захисту
Перший рівень обмежує перенесення захищених блоків міркувань між діалогами, обліковими записами та моделями. Для Claude Fable 5.1 і Opus 5.5 Anthropic запровадила режим preserved thinking: нові API-облікові записи, створені 31 серпня 2026 року або пізніше, не можуть редагувати попередній контекст моделі. Для Sonnet 5.5 записи міркувань доступні лише організації, запит якої їх створив.
Другий рівень — двоетапні класифікатори для виявлення спроб вилучити приховані міркування. Anthropic повідомляє, що перевіряла систему за допомогою внутрішніх і зовнішніх випробувань red team, а частка хибних спрацьовувань становить менш як 0,1%. Компанія застосовує класифікатори до найпотужніших загальнодоступних моделей із переліку в описі нових заходів захисту.
Третій рівень ускладнює повторні спроби: облікові записи зі стійкими ознаками вилучення отримують суворіші ліміти або блокуються. Anthropic стверджує, що заблокувала десятки тисяч облікових записів, пов’язаних із дистиляцією; за даними компанії, багато з них виявляли менш ніж за дві години після початку кампанії.
Що вимірює заявлене зниження
Оцінка у 10–100 разів порівнює кількість токенів міркувань Claude, які Anthropic вважає вилученими на власній платформі, до та після впровадження нових класифікаторів. Ця метрика описує потік, який спостерігає компанія, а не якість чужих моделей чи обсяг дистиляції в усій галузі. Anthropic пише, що класифікатори для зазначених моделей виявляють усі техніки вилучення, описані в її вересневому звіті.
Окремо компанія наводить тест на SWE-bench Verified. Попередньо навчена модель, донавчена на повних транскриптах Claude Opus 4.8, набрала 80,4%; модель, навчена на скорочених транскриптах, — 71,8%. У цьому експерименті скорочені записи виявилися менш корисними для моделі під час розв’язання завдань SWE-bench Verified. Anthropic не подає ці результати як оцінку ефективності всього нового комплексу захисту.
Наслідки для розробників
Заходи захисту змінюють інтеграції та розрахунки за API. Anthropic зазначає, що режим preserved thinking вимагав оновлень від частини розробників, класифікатори можуть помилково блокувати нешкідливі запити менш ніж у 0,1% випадків, а з 24 вересня компанія стягує плату за запити, зупинені засобами захисту в категоріях, де заявлена частка хибних спрацьовувань нижча за 0,1%.
Командам, які передають контекст між викликами, варто перевірити сумісність своєї логіки із захищеними блоками міркувань і протестувати обробку відмов та тарифікацію у штатних сценаріях. Постачальникам API-платформ Anthropic пропонує відстежувати зловживання через посередників і сторонню інфраструктуру та відключати підтверджені мережі облікових записів.
Anthropic очікує, що зловмисники адаптуватимуться, і повідомляє, що продовжує оновлювати класифікатори. Практичне завдання для розробників уже зрозуміле: враховувати обмеження на передавання контексту й перевіряти, як інтеграція обробляє блокування та тарифікацію.