Claudeは思考の多くを隠すようになりました — 何が変わったのか

2026年10月12日、Anthropicは「蒸留」に対するより強力な防御策を展開しました。これは、Claudeの推論を競合モデルにコピーしようとする産業規模の試みです。その結果、Claudeはデフォルトで思考を要約するようになり、生の推論を逐語的に抽出しようとするリクエストはフラグが立てられるかブロックされるようになりました。

Anthropicは、新しい反蒸留防御策により、攻撃者が収集できるClaudeの推論の量が90〜99%削減されたと述べています。これは、一部の普通の要求がClaudeの安全策にとって疑わしく見えるようになり、どの要求がブロックされるかを知ることで、応答がブロックされるのを防ぐことができるため、あなたにとって重要です。

「蒸留」とは、モデルの何千もの応答でトレーニングすることにより、モデルの機能を安価で小さなモデルにコピーすることを意味します。これに最も価値のあるデータは、Claudeの最終的な答えではなく、Claudeの推論、つまり答える前に書く思考です。なぜなら、それは模倣モデルにClaudeがどのように考えるかを教え、単に何を言うかを教えるだけではないからです。攻撃者はこれを大規模に、しばしば偽のアカウントのネットワークを通じて実行します。

このため、Claudeは生の思考を表示する代わりに、デフォルトでその推論を要約してから表示します。Anthropicはこれをテストしました。完全な推論トランスクリプトでトレーニングされたモデルは、SWE-bench Verifiedコーディングベンチマークで80.4%のスコアを獲得しましたが、要約版でトレーニングされたモデルは71.8%しかスコアを獲得しませんでした。推論を要約することで、コピーするのに役立つ度合いがはるかに低くなります。

Claudeはまた、バイオ兵器やサイバー攻撃の要求を阻止するために使用されるのと同じ種類のシステムである2段階分類器を実行して、生の推論をこじ開けようとする試みを捕捉します。誤検知率は0.1%未満であり、誤って正当な要求にフラグを立てることはほとんどありません。2026年9月24日以降、Anthropicはこの分類器がブロックする要求に対しても課金しています。これとは別に、「保存された思考」と呼ばれる機能は、会話におけるClaudeの以前の推論を誰も編集できないようにします。これは2026年8月31日以降に作成されたAPIアカウントに適用されるため、以前に統合が古い「思考」ブロックを再送信または微調整していた場合、そのパターンは現在拒否されます。

これが日常的にあなたにとって何を意味するかというと、Claudeにその答えを説明したり、手順を説明したり、最終的な応答で結論を正当化したりするように求めるのは完全に正常であり、引き続き機能します。ブロックされるのは、Claudeに隠された推論を逐語的にダンプしたり、古い隠された推論を別の言語に翻訳したり、偽装されたタグの中に印刷したりするように求めることです。これらはAnthropicが蒸留の試みとして挙げた正確な抽出戦術です。

Claudeは現在、デフォルトで推論を要約し、生のバージョンを逐語的に、翻訳して、または偽装して抽出しようとする試みをブロックします。誤検知率は0.1%未満です。Claudeの思考に関する洞察を得たい場合は、隠された推論を明らかにすることを求めるのではなく、最終的な答えで手順を説明するように求めてください。API統合が古い「思考」ブロックを編集している場合は、「保存された思考」（2026年8月31日以降のアカウント）が現在拒否されている理由であるかどうかを確認してください。