OpenAI 于 2026 年 11 月 20 日发布题为 Combatting adversarial distillation 的说明,把问题直接写成对抗蒸馏,并把目标收束为保护模型能力不被抽取。摘要给出的方法不是单点补丁,而是分层:模型训练、防护、检测与执法组合使用。材料到此为止,没有攻击定义、没有实验数字、没有产品名单,因此全文只依据这一框架来写,不补充未出现的技术细节。
对抗蒸馏在材料里被如何定义
现有文字没有展开攻击流程,只提供两个锚点。其一是标题中的 adversarial distillation,强调蒸馏被用于对抗场景;其二是摘要中的 capability extraction,把危害写成能力抽取。两者合在一起,OpenAI 要防的不是一般教学式蒸馏,而是带有抽取意图、试图把能力带走的行为。材料没有说明被抽取的是对话、推理还是工具使用,也没有给出攻击是否需要大量查询。能确定的只有防护对象:能力提取。对开发者,这意味着议题属于模型能力外溢,而不是内容安全分类。缺少清单时,不应自行补上具体攻击步骤。
四层方案只公布了组合关系
摘要列出四项:model training、safeguards、detection、enforcement。按字面理解,训练层作用于模型本身,使能力更难被蒸馏带走;防护层约束使用过程;检测层识别可疑抽取;执法层处理已发现的行为。layered approach 表明四者叠加,而不是互相替代。材料未说明各层顺序、接口、覆盖范围或失败后如何降级,也未声称某一层已经足够。因此不能把训练读成已经改好了权重,不能把防护读成已经上线某类过滤器,不能把检测读成已经有公开检测器,也不能把执法读成已经公布处罚细则。目前唯一能写进事实的,是这四者被放进同一套方案,用来应对能力抽取。
我的判断
这篇说明的价值,在于把对抗蒸馏从单一模型问题,改写成训练、防护、检测、执法并进的治理问题。分层说法有助于内部对齐职责:做训练的人、做产品防护的人、做监测的人和做处置的人,面对的不是同一类工作。适用边界同样清楚:公开信息只有框架口号,没有评测、没有案例、没有可核对的拦截指标,不能据此判断方案是否有效,更不能写成能力抽取已被解决。局限也很直接——细节空白时,外界只能把它当作立场宣示,而不是工程说明书。对中文开发者,更稳妥的读法是记下这四层分类,等待可验证的技术文档或独立评估,而不是在材料没写的地方自行补实现路径。