米OpenAIは現地時間2026年11月20日、フロンティアモデルの回答だけでなく内部の推論過程(保護されたChain-of-Thought)を大量に抜き取り、安全規制のない模倣モデルへ能力を複製する「敵対的蒸留」への多層防御報告を公開しました。
OpenAIの社内実験では、最終回答の要約だけよりも内部の正確な推論トレースを用いて生徒モデルを学習させた方が、サイバー能力などの危険な専門技能まで高い水準で転移することが判明しました。同社はこれを単なる知的財産侵害ではなく重大な安全保障リスクと位置付けています。
自動化されたレッドチーム評価(6つの攻撃モデル平均)によると、過去リクエストの保護推論を復元する攻撃の成功率は旧防衛のGPT-6 Astraで54.0%でしたが、GPT-6.2 Astraでは0.2%へ激減しました。進行中リクエストの抽出成功率も22.9%から0.9%へ低下しています。
防御策は敵対的訓練やメッセージ・ツール引数の分類器に加え、会話履歴が改変された際に下流の保護推論を破棄するAPI連携保護、さらに数万アカウント規模の組織的抽出活動の摘発まで多層に組み込まれています(一次ソース:OpenAI 公式発表(英文))。
