OpenAI、推論抽出対策で攻撃成功率を1%未満に

OpenAI学生推論

推論情報を保護

GPT‑6.2 Astraの対策を強化
過去の推論抽出成功率0.2%
現在の推論抽出成功率0.9%

不正蒸留を監視

要求単位と組織単位で検知
週ごとに数千〜数万アカウント対応
業界連携と攻撃検証を継続
詳細を読む

OpenAIは、モデルの能力を無断で別モデルに移す「敵対的蒸留」への対策を公表しました。2026年11月20日の説明によると、GPT‑6.2 Astraの保護機能を強化し、適応型のブラックボックス検証で、保護された推論の抽出成功率を各攻撃で1%未満に抑えました。

過去の依頼に対する推論を取り出す攻撃の成功率は、旧GPT‑6 Astraの54.0%からGPT‑6.2 Astraで0.2%に低下しました。現在の依頼から抽出する攻撃では22.9%から0.9%に下がっています。評価は6種類の攻撃モデルを使った集計です。

OpenAIは、最終回答だけでなく、モデル内部の推論過程やツール操作も学習データとして価値があり、悪用されれば安全策の弱いモデルに能力が移る恐れがあると説明しています。社内のサイバー能力移転実験では、要約よりも完全な推論記録を使った学生モデルが、複数の評価で高い性能を示しました。

対策は個々のリクエストに対するモデル挙動、分類器、API制御と、組織的な抽出キャンペーンの調査を組み合わせます。同社は今年、複数の無許可蒸留キャンペーンを確認し、週ごとに数千から数万アカウントに対応したとしています。

OpenAIは、抽出攻撃の記録を回帰テストに使い、固定攻撃と適応型攻撃の両方で防御を検証するよう他社にも提案しています。推論情報の保護、要求単位の制御、キャンペーン調査、導入パートナーとの連携を合わせることが、業界全体の最低限の防御水準を高める鍵となります。