2026-11-20 · ← Aktualności
OpenAI i Anthropic zamykają skrót, z którego mogły korzystać modele open-weight
OpenAI obniżyło w wewnętrznym teście skuteczność ataku na chroniony tok rozumowania z 54,0 % do 0,2 %, a Anthropic informuje o spadku liczby pozyskiwanych tokenów o 90 do 99 %. Ethan Mollick widzi w tym możliwy hamulec dla modeli open-weight, ale na razie to hipoteza, a nie zmierzony efekt.
Nie udało się wczytać obrazu.
OpenAI i Anthropic wzmocniły ochronę przed nieautoryzowaną destylacją, w której inny zespół zamienia odpowiedzi silnego modelu w dane treningowe. Ethan Mollick uważa, że utrata łatwego dostępu do takich danych może tłumaczyć wolniejszy rozwój modeli open-weight. Bezpośrednich dowodów na ten związek na razie nie ma.
Dwa laboratoria mocno ograniczyły wyciek chronionego toku rozumowania
OpenAI podaje, że w adaptacyjnym teście black-box skuteczność wydobycia wcześniejszego toku rozumowania spadła z 54,0 % dla GPT-6 Astra do 0,2 % dla GPT-6.2 Astra. Dla bieżącego zapytania wynik zmalał z 22,9 % do 0,9 %. Test obejmował sześć modeli atakujących i przeprowadziła go sama firma.
Anthropic opisuje dwustopniowy klasyfikator, ograniczenia przenoszenia rozumowania między kontami i modelami oraz szybsze blokowanie sieci fałszywych kont. Firma szacuje, że liczba wydobytych tokenów rozumowania spadła od 10 do 100 razy. Przyznaje też, że odsetek fałszywych alarmów wynosi poniżej 0,1 %, a część legalnych integracji wymagała zmian.
Tańsi naśladowcy mogą stracić cenne dane treningowe
Pełny tok rozumowania może nauczyć model studencki więcej niż sama odpowiedź. W teście Anthropic na SWE-bench Verified model uczony na pełnych zapisach osiągnął 80,4 %, a model uczony na streszczeniach 71,8 %. Ochrona obejmuje więc surowiec przyspieszający transfer zdolności, a nie tylko gotowy tekst.
Jeśli laboratoria open-weight korzystały z takich danych na dużą skalę, gorszy dostęp i droższe pozyskiwanie podniosą koszty. To sedno tezy Mollicka. Publiczne dane nie pokazują jednak, jak duży udział w postępie modeli open-weight miała nieautoryzowana destylacja.
Atrakcyjna teoria o spowolnieniu wciąż czeka na niezależne dane
Oba laboratoria mierzą własne zabezpieczenia na własnych systemach. OpenAI porównuje jednocześnie dwie generacje modeli i ochrony, a Anthropic przyznaje, że nowa warstwa nie zmierzyła się jeszcze z wyjątkowo wytrwałym i zaawansowanym atakiem. Wyniki potwierdzają lepszą odporność w testach firm, lecz nie wyjaśniają całej trajektorii rynku.
Trzeba też oddzielić legalną knowledge distillation od potajemnego wydobywania danych z cudzej usługi. Pierwsza metoda jest standardową techniką stosowaną za zgodą właściciela modelu. Spór dotyczy przemysłowych kampanii z fałszywymi kontami i transferu zdolności bez pozwolenia.
Kolejna generacja open-weight pokaże cenę zamkniętego dostępu
Najważniejsze będą benchmarki i raporty techniczne kolejnych modeli open-weight. Jeśli luka urośnie zwłaszcza w zadaniach korzystających z długiego toku rozumowania, hipoteza Mollicka zyska na wiarygodności. Jeśli zespoły zastąpią utracone źródło własnymi danymi syntetycznymi lub otwartymi badaniami, spowolnienie może być krótkie.
Liczy się też wpływ na zwykłych klientów API. Anthropic pobiera już opłaty za część zablokowanych żądań, a ograniczenia kontekstu wymusiły zmiany w niektórych integracjach. Ochrona, która zatrzyma wydobywanie danych bez potrącania uczciwych deweloperów, będzie ważniejsza niż efektowny wykres z laboratorium.
Werdykt Lilith
Laboratoria frontier właśnie podniosły most zwodzony. Kolejne modele open-weight pokażą, kto biegł o własnych siłach, a kto jechał na cudzym toku rozumowania.