Anthropic: Claude саҥа көмүскүүтэ дистилляция дааннайдарын 90–99% аҕыйатта
Компания классификатордары, «preserved thinking» хааччахтарын уонна аккаунт бобууларын ойуулаан, уоруллубут токеннар аҕыйаабытын этэр; ол эрээри моделлэри уоруу утары охсуһуу салҕанарын сэрэтэр.
Anthropic 2026 сыл алтынньы 12 күнүгэр Claude дистилляция атаакаларын утары саҥа көмүскүү атакуйдуур дьон хомуйар санаа дааннайдарын барыллаан 90–99% аҕыйаппытын эттэ — бэйэтин платформатыгар кэмнээһининэн.
Дистилляция диэн тугуй
Дистилляция ситимнэрэ өрүттээх аккауннарынан куоһар модель кыахтарын — ордук кистэммит санаа транскриптарын — таһааран чэпчэки копияны үөрэтэллэр. Anthropic этэринэн маннык копиялар мөлтөх көмүскүүлээх тахсыахтарын сөп уонна атын дойдулар сэрии эбэтэр кэтээн көрүү ситимнэригэр киириэхтэрин сөп. Холобурдарынан Zhipu GLM-5.3 кибер кыахтарын уонна Moonshot Kimi траафыгар CCTV / Кытай НОАК-ы кытта сибээстээх диир көрдөһүүнү ааттаата.
Саҥа көмүскүү
Үс хайысха: саҥа API аккауннарга урукку контексты уларытары бобор preserved thinking; Sonnet 5.5, Opus 5/5.5 уонна Fable 5/5.1 үрдүгэр икки түһүмэх классификатор (сыыһа бобуу 0,1%-тан аҕыйах); 24 балаҕанньыттан ыла үрдүк эрэллээх бобуллубут көрдөһүүлэргэ төлөбүр уонна бааннар. Санааны кылгатыы дистиллированнай модель SWE-bench Verified түмүгүн 80,4%-тан 71,8%-ҥа түһэрбитэ.
Сэрэтии
Циирэлэр Anthropic ис сыанабыллара; атакуйдуур дьон салгыы уларыйыахтара, законнай разработчиктарга да кыһалҕа баар. Атын лабораториялары уонна облачнай платформалары мошенническай траафы тохтоторго ыҥырар.