مدققون يكشفون زيف 7.7 تيرابايت من «أوزان Anthropic» عبر 192 مليون تطابق

7.7 تيرابايت من الملفات، وبنية معمارية مقنعة، وأوزان موزعة بعناية على shards، وآلاف التنزيلات؛ كل ذلك بدا كتسريب ضخم من Anthropic. لكن لم يكن في الداخل أي نموذج مدرب. فقد وُلدت الأرقام بصورة حتمية من أسماء الموترات، ما يعني أنه كان من الممكن تجميع نقطة التحقق الهائلة من دون تدريب ومن دون الوصول إلى البنية التحتية للشركة.

هذه ليست مجرد خدعة طريفة. إنها اختبار ضغط جيد للطريقة المعتادة في تقييم نماذج الآخرين: النظر إلى حجم الملفات والإعدادات والتجزئات، ثم استنتاج أن القطعة البرمجية أصلية. أما الخلاصة بالنسبة إلى المطور فهي مزعجة لكنها مفيدة: التغليف المقنع لا يثبت سوى أن المؤلف يجيد صنع تغليف مقنع.

كيف تحولت سبعة تيرابايت إلى مولد أرقام عشوائية

قُدم مستودع burner22/numbat على Hugging Face بوصفه نقطة تحقق لتشغيل داخلي لدى Anthropic: نحو 14 تريليون معلمة، و114 طبقة، وبنية هجينة من GDN/MLA، ومزيجًا من 1 224 خبيرًا، وأوزانًا بدقة أربعة بتات. كانت الحسابات منطقية، وبنية الملفات متسقة، كما تطابقت المجاميع الاختبارية مع الفهرس المنشور.

لكن الحل اتضح أنه بسيط إلى حد يكاد يكون ساخرًا. كان الباحث يأخذ اسم الموتر، ويحسب SHA-256، ويستخدم أول ثمانية بايتات بوصفها seed لـ NumPy PCG64، ثم يولد مصفوفة من الأرقام العشوائية ذات التوزيع الطبيعي وبالشكل المطلوب. وبعد التحجيم والتقريب، تنتج قيم تطابق محتويات الملفات.

لنأخذ مثالًا واضحًا. لنفترض أن النموذج يحتوي على مصفوفة اسمها model.layers.42.mlp.weight. يُحوّل اسمها إلى تجزئة، ويُستخرج من التجزئة رقم لتهيئة المولد، ثم ينشئ المولد التسلسل نفسه في كل مرة. ويمكن لأي شخص يستخدم الوصفة ذاتها إعادة بناء «الأوزان» نفسها؛ فالتدريب لا يشارك في العملية أصلًا.

اختُبرت الوصفة أولًا على 43 موترًا كاملًا، فتطابقت القيم الـ 730 368 جميعها. ثم وُسع التدقيق ليشمل مصفوفات الأربعة بتات، وكانت النتيجة 162 246 496 تطابقًا للرموز من أصل 162 246 496. وشمل الفحص النهائي مجموعة الملفات كاملة، ووفقًا للتدقيق المنشور، أكد الآلية ذاتها على نحو 192 مليون رمز FP4. وتستبعد هذه النتيجة عمليًا أن يكون الأمر مصادفة: فالأوزان المدربة لا يمكن إعادة إنتاجها بالكامل انطلاقًا من اسم المصفوفة.

لماذا لم تنقذ التجزئات الموقف

كانت SHA-256 تجيب هنا عن سؤال مختلف عن ذلك الذي نسبه إليها المراقبون. يمكن للمجموع الاختباري أن يبين أن الملف الذي نُزل يطابق ملف المؤلف. لكنه لا يثبت أن الملف نتج من التدريب، أو أنه مملوك لـ Anthropic، أو أنه يحتوي أصلًا على نموذج يعمل.

ينطبق الأمر نفسه على الحجم والاتساق الداخلي. فمن الممكن إنشاء تيرابايتات من البيانات المعبأة بصورة صحيحة، واختيار أشكال واقعية للمصفوفات، وصياغة إعدادات مقنعة. وكلما ازدادت معرفة المؤلف ببنية نماذج LLM الحديثة، أصبح الديكور أكثر إقناعًا. وحتى الاسم الرمزي numbat ربما كان حقيقيًا؛ إذ سبق العثور عليه في شيفرة مصدرية مسربة من Claude Code. لكن الاسم الحقيقي لمشروع لا يحول الأرقام العشوائية إلى نقطة تحقق حقيقية.

ولهذا الفحص قيد أيضًا. فتطابق المولد يثبت المنشأ الاصطناعي للأوزان المنشورة، لكنه لا يفسر وحده دوافع المؤلف ولا يؤكد بقية الروايات المحيطة باسم numbat. ولم تؤكد Anthropic علنًا منشأ المستودع، لذلك لا يوجد أساس لربطه بالشركة يتجاوز استخدام علامتها التجارية.

ما الذي ينبغي للمطور وفريق المنتج فعله

لا حاجة إلى تنزيل كامل الـ 7.7 تيرابايت. يكفي للفحص الأولي أخذ shard واحد، واختيار مصفوفة كبيرة، وتكرار الوصفة المعلنة، ثم مقارنة رموز ملايين القيم على الأقل. فإذا كان التطابق منهجيًا، فما أمامك هو خرج مولد، لا نتيجة تدريب.

أما النماذج التي يعتمد عليها منتج ما، فتحتاج إلى حد أدنى أكثر صرامة: توقيع الناشر، وسجل نشر قابل للتحقق، ووثائق التدريب، واختبارات سلوكية مستقلة، وسلسلة توريد واضحة. لا تشغل ملفات مجهولة أو شيفرة مخصصة من المستودع لمجرد إجراء الفحص؛ إذ يجب تحليل تنسيق الأوزان في بيئة معزولة.

الدرس الأساسي من هذه القصة أوسع من حالة التزييف هذه. فالحجم والبيانات الوصفية الأنيقة والتجزئات المتطابقة تخلق إحساسًا بوجود دليل، لكنها لا تثبت إلا اتساق القطعة البرمجية مع ذاتها. وتبدأ الأصالة حين يستطيع باحث مستقل التحقق من المنشأ والحصول على نتيجة قابلة للتفسير.