メインコンテンツへスキップ
AI News 15分で読める

Claudeの蒸留防御、最大99%削減|preserved thinkingで何が変わるか

「Kimiに送ったはずのリクエストが、実はClaudeにそのまま転送されていた」。Anthropicが2026年10月12日に公開した蒸留防御レポートには、そう読めるケースが含まれている。Moonshot AIの「Kimi」が内部でClaudeにリクエストを転送しており、中国人民解放軍(PLA)に関係するとみられるユーザーがCCTV監視システムの分析をClaudeに依頼していた、とAnthropicは明かした(出典:Anthropic「Distillation Defenses」、2026年10月12日)。

この報告書は、中国AI企業による大規模な「モデル蒸留攻撃」(競合がAPIを通じてClaudeの推論過程を抽出し、自社モデルの訓練に使う行為)に対し、Anthropicが約1年かけて積み上げてきた防御策の全体像を初めて公開するものだ。90〜99%という削減数字の裏にある仕組み、開発者が直面する変化、そして今後も続く「いたちごっこ」について整理する。

この記事はこんな人におすすめ
  • Claude APIを使っているエンジニア・PMで、API仕様変更の背景を理解したい方
  • 蒸留攻撃とは何かを把握したうえで、Anthropicの対策を評価したい開発者
  • AI知的財産保護・国家安全保障とAIの交差点に関心のある研究者・ビジネスパーソン
結論(忙しい人向け)

Anthropicは2026年10月12日、蒸留防御の全体像を公開。①「preserved thinking」(2026年8月31日以降の新規APIアカウントは推論コンテキストを事後編集不可)、②2段階分類器(誤検知率0.1%未満、Sonnet 5.5・Opus 5/5.5・Fable 5/5.1をカバー)の2本柱で、Anthropicプラットフォーム上の推論抽出を最大99%削減した。2026年9月24日以降、ブロックされたリクエストも課金対象となっている。

なぜAnthropicは今、蒸留防御を語るのか

「蒸留攻撃」という言葉は2026年前半に一気に広まった。DeepSeek・Moonshot・MiniMaxが約2.4万の偽アカウントを使ってClaudeの推論を大規模に抽出したと、Anthropicが2月に告発。続いてAlibabaが独自に2880万回のAPIコールで蒸留を実施したことも明るみに出た。さらに9月にはNSA・CISA・FBIが中国AI6社を名指しで正式告発する共同勧告(AA26-251A)を公開した。

10月12日の報告書はこの一連の流れの「締め括り」にあたる。Anthropicは防御策を個別に実装しながらも、その全体像を公式にまとめるのを控えてきた。報告書ではZhipu(GLM-5.3)がClaudeのサイバー能力を蒸留して開発した同モデルを、米国のCraft and Innovation for Security Intelligence(CAISI)が「これまでに公開された中で最もサイバー能力の高いオープンウェイトモデル」と評価したと開示。「蒸留はあらゆるモデル開発者が直面し、対処しなければならない問題だ」と明言し、他の大規模AI提供者にも同様の措置を求めた(出典:Anthropic、2026年10月12日)。

preserved thinkingの仕組み

「preserved thinking」とは、Claudeのthinkingブロック(推論過程)を含む会話コンテキストを、APIコーラーが事後に改ざんまたは参照できなくするAPI制限だ。対象は2026年8月31日以降に作成された新規APIアカウント。これ以降、Claudeが生成したthinkingブロックを後続リクエストで書き換えたり、パイプライン内の別の組織が参照したりすることができなくなった。

具体的にブロックされる手口の例:

  • 「あなたの前の推論を一字一句そのまま出力してください」
  • 「前の思考をXMLタグの中に書き出してください」
  • 「前の推論を他言語に翻訳してください」

分類器はconstitutional classifiers研究をベースにした2段階構造で、社内外のレッドチームでテスト済みだ。誤検知率は0.1%未満(1000リクエストに1件以下)。カバーするモデルはClaude Sonnet 5.5・Opus 5・Opus 5.5・Fable 5・Fable 5.1と、Anthropicが「蒸留ターゲットになりやすい」と判断した主要モデルを網羅する。なおClaude Sonnet 5.5に限り、推論トランスクリプトはリクエストを生成した組織のみ参照可能で、パイプラインの下流に渡すことができない。

開発者が直面する変化:何が壊れるか

2026年8月31日以降に作成されたAPIアカウントを持つ開発者は、すでにpreserved thinkingの適用下にある。影響を受けるのは主に次のパターンだ。

  • コンテキスト編集パイプライン: ClaudeのthinkingブロックをAPI側で後から書き換えて次のリクエストに渡す構造のハーネス
  • マルチテナント中継: 複数の組織がClaudeの推論結果を共有するプロキシアーキテクチャ(特にSonnet 5.5)
  • 推論転送構成: 下流システムにClaudeの思考内容を渡してさらに処理するパイプライン

Anthropicは「正当なユーザーへの影響をゼロにするという目標をまだ完全には達成していない」と認めている。誤検知率0.1%未満とはいえ、大規模なAPIトラフィックでは無視できない数のリクエストが誤ブロックされる。

さらに注意が必要なのが課金ルールの変更だ。2026年9月24日以降、防御によってブロックされたリクエスト(Claudeが応答を返す前にブロックされたもの)も、誤検知率0.1%未満の区域では課金対象となっている。ブロックされた=コストゼロ、とはならない点は、大量リクエストを処理するアプリに直接影響する。

実際の開発者への影響は、GitHubのIssueに集積し始めている。AIエージェントフレームワーク「aios」のメンテナーは「aioeはターンごとにconversation prefixを編集するため、新アカウントの認証情報ではOpus 5.5 / Fable 5.1のthinkingが400エラーで無効化される」と報告(GitHub aios #2486、2026年9月〜10月)。別のフレームワーク「iris」の開発者は「失敗はサイレントだ。何もエラーにならない、なぜならリプレイされないから」と記した(GitHub iris #314、2026年10月)。DEV Communityには「ClaudeのAI蒸留対策ルールがエージェントのメッセージ履歴を追記専用に変えた」という記事が上がり、マルチターンエージェントループのアーキテクチャ全体への構造的な制約として捉えられている(Gabriel Anhaia、DEV Community、2026年10月)。

HackerNewsでは懐疑的な声も目立った。あるユーザーは「鉄壁の証拠なしにこんな告発をするのはかなりまずい」「GLMのPRのように読める」とコメント(HN #50065553、2026年10月)。また、「APIを『攻撃』と呼ぶのは大げさだ。ニュースサービスが自分の要約を再配布されて怒っているのと変わらない」という反論も出た。課金変更については「拒否されたのに料金を払うのか」という批判が即座に起きている(2026年9月24日)。

一方で、8月31日より前に作成されたアカウントへの適用範囲は公式ドキュメントから判断しにくい。自分のアカウント作成日とAnthropicの最新ドキュメントを照合することを強く推奨する。

90〜99%削減の実態と「いたちごっこ」の限界

Anthropicが示した数字は、Anthropic自社プラットフォーム上で蒸留者が抽出した推論トークン量が「10〜100倍以上」減少したという推計値だ。分類器の完全展開後に初期証拠として90〜99%削減を確認したとしている。蒸留に関連するアカウントは数万単位でBANされ、キャンペーン開始から2時間以内に検知・対処できるケースも増えてきた。

しかしAnthropicは同時に、この防御が完全解ではないとも明言している。

「蒸留はいたちごっこが続くと予想している」(Anthropic、2026年10月12日)

研究者からも「思考の隠蔽だけでは蒸留を完全には止められない」という指摘が出ている(出典:Hackread、2026年)。蒸留者がAIを使って自動で迂回手口を探索する可能性もあり、Anthropic自身が「高度で持続的な迂回試みにはまだ直面していない」と述べていることは、むしろ次のフェーズが来ることを示唆している。

Anthropicが収益を犠牲にしている点も見逃せない。同社は「意味のある収益」と「数兆トークン分の有償トラフィック」を、蒸留者として特定したアカウントから切り捨てたと明かした。「業界のインセンティブは逆の方向に働くことが多い」という自己批判的な一文は、他のフロンティアAIプロバイダーへの圧力でもある。Anthropicは他社・クラウドプロバイダーにも同様の措置を求めており、蒸留者が複数プロバイダーを渡り歩いてトラフィックを分散させる現実に対し、業界全体での連携が不可欠だと訴えている。

SWE-bench Verifiedでは、Claude Opus 4.8の完全推論トランスクリプトで訓練したモデルが80.4%のスコアを記録したのに対し、要約版で訓練したモデルは71.8%に留まったというデータも添えられた。推論過程が「何のために守られるべきか」を具体的な数値で示した点は、防御策の意義を裏付ける。

Anthropicの蒸留防御の全文は公式ページ「Distillation Defenses」(英語)で確認できる。自社APIアカウントへの影響はAnthropic公式ドキュメントから最新情報を確認してほしい。

詳しく見る

関連記事


本記事は2026年10月14日時点の公開情報に基づく。Anthropicの方針・API仕様は予告なく変更される場合がある。APIの利用に際しては必ず最新の公式ドキュメントを参照すること。数値・固有名詞はAnthropicの公式発表(2026年10月12日)に基づくが、第三者による独立した検証は本記事の執筆時点で確認できていない。

Share