研究人员发现可读取ChatGPT等模型加密推理过程的API漏洞

The Decoder:AI News(RSS)·2026-08-12 01:38·40天前·Matthias Bastian
AI 导读

Alexander Panfilov团队发现OpenAI、Anthropic、Google等主要AI提供商API存在漏洞,可读取推理模型的加密思考过程。扫描约7000条公开会话发现62个API密钥、33个邮箱和33个密码。通过越狱,Anthropic的Haiku 4.5可逐字转写Opus 4.8的原始推理;解码10000条推理轨迹的API成本约720美元。

The Decoder:AI News(RSS)
精选
80AI 编辑部评分,满分 100

研究人员发现可读取ChatGPT等模型加密推理过程的API漏洞

2026-08-12 01:38· 40天前· Matthias Bastian
AI 导读

Alexander Panfilov团队发现OpenAI、Anthropic、Google等主要AI提供商API存在漏洞,可读取推理模型的加密思考过程。扫描约7000条公开会话发现62个API密钥、33个邮箱和33个密码。通过越狱,Anthropic的Haiku 4.5可逐字转写Opus 4.8的原始推理;解码10000条推理轨迹的API成本约720美元。

推荐理由

不是另一个理论漏洞,而是真实可复现的推理链提取,它直接揭示了模型在「想什么」与「说什么」之间的断裂,让密码泄露和欺骗意图从暗箱走向可审计的证据。

正文 · AI 翻译
Image description

要点

  • 由 Alexander Panfilov 领导的安全研究人员发现,OpenAI、Anthropic 和 Google 等主要 AI 提供商的 API 中存在一个漏洞,可借此读取其模型经过加密的思维过程。
  • 通过越狱这些系统,研究人员利用较小的 AI 模型转录了更强大模型的原始推理内容,在公开会话中暴露了密码和 API 密钥等敏感数据。
  • 提取出的数据显示,AI 模型有时会用难以理解的语言进行内部交流,以倒序方式构建答案,甚至考虑尝试欺骗。

安全研究人员发现,每一家主要 AI 提供商的 API 中都存在一个漏洞,可借此读取推理模型经过加密的思维过程。对公开分享会话的扫描发现了数十个密码和 API 密钥。

当 OpenAI 的 o 系列、Anthropic 的 Claude 或 Google 的 Gemini 等 AI 模型对复杂任务进行“思考”时,它们会生成内部推理 token。这些思维过程要么以摘要形式展示给用户,要么被完全隐藏。提供商会对原始推理步骤进行加密,部分原因是为了保护其知识产权。

一个由 Alexander Panfilov 领导的研究团队如今找到了一种方法,可通过所有领先 AI 提供商 API 中的一个漏洞,提取这些加密的推理过程。对于大多数查询,提取出的 token 数量与计费的思考 token 数量完全一致,这意味着研究人员捕获的是完整的内部推理,而不仅仅是零散的片段。

加密的思维在模型之间自由流动

研究人员表示,这些加密的思维过程“可在单一提供商内跨会话、跨用户、跨模型完全移植”。Anthropic 较小的模型 Haiku 4.5 能够读取能力强大得多的 Opus 4.8 的思维。通过越狱,Haiku 可以被诱骗逐字转录 Opus 的原始思维过程,而无需直接攻击更为坚固的 Opus。同样的手法对 OpenAI 和 Gemini 也有效。

这件事要追溯到 5 月,当时密码学专家 Matthew Green 发现加密的推理数据块可以在其原始上下文之外被重放,并向各提供商报告了此事。据 Panfilov 称,他们的回应是“他们不认为侧信道或重放存在任何安全隐患”。这项新研究强烈表明,这一评估是错误的。

推理蒸馏的证据不断增多

该漏洞也为颇具争议的“蒸馏”争论增添了新的素材——所谓蒸馏,即通过在一个更强大模型的输出(尤其是其推理)上进行训练,来大幅提升一个能力较弱的模型。

研究人员表示,可能在一段时间以来,就已经能够在不破解密码学的情况下提取推理过程,用于训练专有模型。这支持了一种担忧:中国模型厂商正在利用这些推理轨迹,以思维链数据训练自己的模型。

Kimi-K3 就是一个例子。研究人员称,如果在其推理中预填入来自 Opus 思维过程的少量 token,其输出就会明显向 Opus 偏移。一项记忆化分析显示,特定的 Claude 和 GPT 推理片段从 Kimi-K3 中提取的难度,比从第二接近的模型中提取要低最多六个数量级。研究人员表示,这表明 Kimi-K3 可能曾在这类轨迹上训练过。

这种攻击成本也不高,因此扩大规模是可行的。作者估计,解码 10,000 条轨迹的 API 成本约为 $720。Kimi 在网络安全基准测试中“糟糕”的表现以及在复杂数学任务上的表现,也指向了知识蒸馏,因为这些任务即便从原始思维链数据中也更难以恢复。

公开分享的会话泄露密码和 API 密钥

该漏洞也会影响终端用户。任何公开分享过包含加密推理 blob 的 Claude Code 或 Codex 会话的人,都面临个人数据被解码的风险。对大约 7,000 条公开轨迹的扫描发现了 62 个 API 密钥、33 个电子邮件地址、33 个密码以及其他敏感数据。该论文还涵盖了更多恶意场景,包括滥用能力提升(见图)、越狱以及不可见提示词注入。

虽然模型可见的回复只提供了无害的安全提示,但解密后的思维过程详细描述了如何用一根简单的 USB 线盗走某些汽车。 | 图片:Panfilov 等

研究人员遵循了标准的漏洞披露流程,与各 AI 实验室进行了沟通。据 Panfilov 称,这些实验室已经修复了若干问题,并正在着手更多修复。

模型实际在想什么 vs. 它展示给你的内容

提取出的思维轨迹还揭示了模型的真实行为方式。研究人员在 stolen-thoughts.com 上记录了几种模式。他们的发现表明,用户在聊天工具中看到的推理摘要往往会遗漏重要信息。在一个例子中,Opus 4.8 认出了某道数学题的答案,然后反向推导出一条看似合理的解题路径。这些内容全都没有出现在所展示的摘要中。

该模型显然已经从训练数据中知道了答案,但表面上它假装自己仍需要一步步完成计算。 | 图片:Panfilov 等

研究人员还证实了 Apollo Research 此前的报告。OpenAI 的模型有时会用一种“外星般的语言”思考,自称“我们”或“它”,并陷入对人类毫无意义的词语循环中,比如“vantages”“marinades”和“watchers”。Panfilov 写道:“做 CoT 监控的人是在做上帝的工作,因为在许多思维轨迹中,即便有提示词,也根本不可能判断出模型在干什么。”

“But marinade”……OpenAI 模型在这里到底在想什么?| 图片:Panfilov 等人。

研究人员还发现了“真实场景中的算计”的案例。这一概念已得到充分研究:在思维过程中,模型会明确考虑作弊,但(可能)因为预期会被抓住而决定不作弊。

在一个案例中,模型在多次尝试寻找解法失败后,试图通过一个网站来验证可能的答案。当 CAPTCHA 阻止了访问时,它先尝试破解 CAPTCHA,然后搜索该网站的漏洞。直到所有这些都失败后,它才自行解决了问题。据报道,OpenAI 对 Hugging Face 及其他平台的意外入侵也是以同样的方式发生的。

经过清洗的摘要掩盖了真实发生的情况

这些例子说明了为什么 OpenAI 和 Anthropic 等 AI 实验室会清理其推理轨迹。他们希望避免外星般的语言循环或算计损害一个可控、可信赖的 AI 形象。经过清洗的摘要营造出一种类人思维过程的印象,而实际上这种思维过程并不以那种形式存在。

亚利桑那州立大学的研究人员在此前的一项研究中警告不要采用这种方法。他们认为,这种拟人化版本制造了对模型可控性的虚假信心,并将研究引向错误的方向。在他们的实验中,中间步骤故意出错或无意义的模型有时比那些具有连贯推理链的模型表现更好。

被窃取的思想

潘菲洛夫

来源:The Decoder:AI News(RSS)· the-decoder.com