Anthropic تخفض حجم البيانات المتسربة إلى مقطِّري Claude بنسبة 90–99%

تؤكد Anthropic أنها أضعفت خلال الأشهر الماضية هجمات التقطير على Claude بصورة ملحوظة. وبحسب بيانات أولية، انخفض حجم البيانات التي تتمكن جهات التقطير من جمعها بنسبة 90–99%. وتصف الشركة هذه الهجمات بأنها حملات خفية على نطاق صناعي. وهدفها استخراج قدرات نموذج ما وإعادة إنتاجها في نموذج آخر دون إذن مطوّره، وغالبًا عبر شبكات من الحسابات الوهمية. وتقول Anthropic إن الحماية لم تكن زهيدة الكلفة، إذ تخلت الشركة عن إيرادات كبيرة وعن حركة بيانات مدفوعة تبلغ تريليونات الرموز.

لماذا تعدّ Anthropic ذلك تهديدًا

تذكر الشركة سببين. يتعلق الأول بالأمان. فالتقطير يتيح الاقتراب سريعًا من حدود القدرات، لكن القيود الوقائية لا تُنقل معه بالجودة نفسها. وقد تُستخدم هذه النماذج للإضرار في مجالي علم الأحياء والأمن السيبراني.

والمثال الرئيسي في النص هو Zhipu ونموذج GLM-5.3. فبحسب Anthropic، قطّر هذا المختبر القدرات السيبرانية لأبرز النماذج الأمريكية. وحاول العمل مع Claude Fable 5، لكن الحمايات السيبرانية أضعفت جودة هجماته، فتحولت Zhipu إلى نموذج أقدم من Claude ونموذج من مختبر آخر. ثم وصف المركز الأمريكي CAISSI نموذج GLM-5.3 بأنه الأقوى سيبرانيًا بين النماذج مفتوحة الأوزان (open-weights) التي أُطلقت. وأظهرت اختبارات Anthropic الخاصة أن حمايات GLM-5.3 يسهل تجاوزها، وأن النموذج نفسه مستعد لكتابة الثغرات البرمجية (exploits) من البداية إلى النهاية.

أما السبب الثاني فهو الأمن القومي. فبحسب Anthropic، تدمج الشركات التي تقطّر النماذج الأمريكية القدرات المستخلصة في أنظمة عسكرية واستخباراتية ورقابية أجنبية. وتورد الشركة حالة Kimi من Moonshot: فقد كانت الطلبات الموجهة إليه تُمرَّر سرًّا إلى Claude. وأحد هذه الطلبات، الذي يُرجَّح أنه صادر عن مستخدم مرتبط بجيش التحرير الشعبي الصيني، تعلّق بتحليل تسجيلات مراقبة CCTV لشخص بعينه.

لماذا لم تكن الإجراءات البسيطة كافية

تولّد جهات التقطير ملايين الإجابات من نموذج قوي، ثم تدرّب عليها نموذجًا أصغر. وأثمن البيانات لهذا الغرض ليست الإجابات النهائية، بل نصوص الاستدلال، أي ما يكتبه Claude قبل أن يجيب. فهي تُظهر كيف يصل النموذج إلى النتيجة. ولذلك تتركز الحماية كلها تقريبًا على إغلاق الوصول إلى هذه الطبقة.

كان التدبير الأول تلخيص الاستدلال قبل عرضه على المستخدم. واختبرت Anthropic الأثر على النحو الآتي: دربت نموذج Claude مدرَّبًا مسبقًا على نصوص Claude Opus 4.8، ثم قاست أداءه في SWE-bench Verified.

• التدريب على الاستدلال الكامل: 80,4%.
• التدريب على الاستدلال الملخّص: 71,8%.
• الفارق: 8,6 نقطة مئوية.
• انخفاض حجم البيانات المجمَّعة بعد الإجراءات الجديدة: 90–99% (تقدير أولي).

لكن جهات التقطير تكيّفت. فانتقلت من الجمع السلبي، حيث تُرسَل الطلبات كما يرسلها مستخدم عادي، إلى الاستخراج النشط، أي محاولات تجاوز القيود. ويتوقف الجزء المتاح من النص عند هذا الموضع، ولذلك لم تُكشف هنا تفاصيل أساليب الحماية الجديدة. وتعد Anthropic بوصفها في النسخة الكاملة من مدونتها.

كلفة الحماية وما ينبغي على المطورين فعله

تؤثر إجراءات مكافحة التقطير في Anthropic نفسها وفي عملائها على حد سواء. وتشير الشركة إلى أن فرق البحث والمنتجات أمضت وقتًا طويلًا في هذه المهمة. كما يتطلب بعض التغييرات من المستخدمين الملتزمين تحديث تكاملاتهم.

والخلاصة العملية للمطورين والمنصات:

• تحقق من طريقة عمل تطبيقك مع الاستدلال الملخّص بدلًا من الكامل. فإذا بنيت منطقًا على الاستدلال الكامل، فسيتعين تغيير التكامل.
• تعامل مع سلاسل الاستدلال بوصفها أصلًا حساسًا. فهي أكثر ما تقدّره جهات التقطير.
• راقب الحالات الشاذة في الحسابات: فشبكات الملفات الوهمية وإعادة توجيه طلبات الآخرين إلى واجهة API تظل المخططات الرئيسية.
• إذا كنت تنشر نماذج مفتوحة الأوزان (open-weights)، فقيّم متانة الحمايات إلى جانب الجودة. ويُظهر مثال GLM-5.3 أن تجاوز القيود في مثل هذه النماذج قد يكون سهلًا.

وتؤكد Anthropic أن كل مطوّر نماذج يواجه التقطير. أما نسبة 90–99% المعلنة فما تزال تقديرًا من الشركة نفسها، ولا يتضمن النص أي تحقق مستقل. لكن اختيار الشركة واضح: فهي ترى أن تريليونات الرموز من حركة البيانات أقل كلفة من خطر ظهور نماذج قوية بلا حمايات جدية.