OpenAI 披露对抗蒸馏防御体系,GPT-6.2 Astra 推理提取攻击成功率降至 0.2%
OpenAI 公开其检测与阻断对抗蒸馏的做法,包括对抗测试、模型训练、分类器、API 级防护以及对协同提取活动的调查。在内部自适应黑盒红队评测中,从先前请求提取受保护推理的平均攻击成功率从 GPT-6 Astra 原有防护下的 54.0% 降至 GPT-6.2 Astra 更新防护下的 0.2%,从当前请求提取则从 22.9% 降至 0.9%。
推荐理由:原文给出对抗蒸馏的具体防御分层与量化评测数据,读者可据此理解保护推理链的实际做法与效果。