今回の防御は、応答に至る推論記録の抽出を主に対象とします。Anthropicは推論記録の移動を制限し、二段階の分類器で抽出の試みを検知します。繰り返し試みるアカウントには利用制限や停止を適用しています。
抽出量の変化
- 公表値
- 従来の10〜100分の1
- 測定対象
- 自社基盤から抽出された推論トークンの推定量
分類器の誤検知率
- 公表値
- 0.1%未満
- 測定対象
- Anthropicによる評価
出典はAnthropicの2026年10月12日発表。抽出量の比率を攻撃件数の減少率に読み替えていません。
Claude Fable 5.1とOpus 5.5では、2026年8月31日以降に作った新規APIアカウントにpreserved thinkingを導入しました。過去の文脈の編集を制限する対策で、一部の正規開発者も連携実装の更新が必要になったと説明しています。
また9月24日から、蒸留など誤検知率を0.1%未満と評価した領域で、Claudeが応答する前に遮断されたリクエストへの課金を再開しました。すべての遮断リクエストに一律で適用するという発表ではありません。
効果の持続期間は未確定です。同社は高度で持続的な回避の試みをまだ観測していないと述べています。削減量と誤検知率はいずれも同社の評価で、独立した保証値ではありません。
出典
- Anthropic「Strengthening our defenses against distillation attacks」公開2026-10-12、確認2026-10-13。Our new methods、How well our new methods work。本文と図解の根拠。
出典の確認日 2026.10.13