Anthropicは10月12日、Claudeの推論過程を他モデルの学習データとして抜き取る蒸留攻撃への対策を強化したと発表した。同社の計測では、対策後に自社基盤から抜き取られる推論トークンは対策前の10分の1から100分の1で、収穫されたデータは約90%から99%減ったとしている。最も有力な一般提供モデルでは、9月の報告書に書いた抽出手法を二段の分類器がすべて捉えるという。
蒸留側が欲しがるのは最終回答より、応答前に書かれる推論の書き起こしだ。初期対策として推論を要約して見せたところ、SWE-bench Verifiedでの模倣は全文で学習した場合の80.4%から、要約だけでは71.8%へ落ちた。その後、攻撃側は要約を避けるようモデルを誘導し、不正アカウントの網を拡大した。新しい対策は、推論を動かせる範囲の制限、抽出試みの分類、繰り返すアカウントの制限と停止の三つだ。
APIを使う開発者には、正当な呼び出しの更新が残る。Fable 5.1とOpus 5.5では、2026年8月31日以降に作ったアカウントが過去の文脈を編集できないpreserved thinkingを導入した。Sonnet 5.5では、推論の書き起こしを、そのリクエストを出した組織だけが読める。分類器の誤検知は0.1%未満だが、9月24日以降はこの水準の遮断も応答前に課金される。推論ブロックを会話間で移している多段エージェントは、拒否や課金増として表面化しうる。