Anthropic বলছে, Claude-এ পরিবর্তনের ফলে সন্দেহভাজন model distiller-রা যে পরিমাণ সুরক্ষিত reasoning সংগ্রহ করতে পারে তা অনেক কমেছে। ১২ অক্টোবরের তাদের প্রতিরক্ষাব্যবস্থা নিয়ে বিবরণেকোম্পানির অনুমান, নতুন classifier চালুর পর তাদের নিজস্ব প্ল্যাটফর্মে distiller-দের পাওয়া reasoning token ১০ থেকে ১০০ গুণ কমেছে। এই পরিমাপ Anthropic-এর নিজস্ব traffic ও attack শনাক্তকরণের ওপর ভিত্তি করে; মোট হ্রাসের কোনো স্বাধীন মূল্যায়ন কোম্পানি প্রকাশ করেনি।

বড় পরিবর্তন

  • কী বদলেছে: Anthropic এখন Claude reasoning block কোথায় পুনরায় ব্যবহার করা যাবে তা নিয়ন্ত্রণ করে, লুকানো reasoning প্রকাশের চেষ্টা ঠেকাতে classifier চালায় এবং বারবার চেষ্টা করা account-এ সীমা দেয়। তাদের অভ্যন্তরীণ অনুমানে, প্ল্যাটফর্মের মাধ্যমে শনাক্ত distiller-দের কাছে পৌঁছানো reasoning অনেক কমেছে।
  • কেন গুরুত্বপূর্ণ: মডেলের আচরণ নকল করার প্রশিক্ষণ উপাদান হিসেবে reasoning-এর সম্পূর্ণ transcript কাজে লাগতে পারে। সেই উৎস সীমিত করলে অননুমোদিত extraction-এর জন্য প্রয়োজনীয় কাজ বাড়ে; একই সঙ্গে API developer-দের কিছু conversation history অক্ষত রাখতে হয় এবং নির্দিষ্ট কিছু blocked request-এর জন্য খরচ হতে পারে।
  • যা নজরে রাখবেন: এই হ্রাস কত দিন টিকবে তা নির্ভর করে আক্রমণকারীদের পরবর্তী পদ্ধতি এবং Anthropic-এর সরাসরি প্ল্যাটফর্মের বাইরের traffic-এর ওপর। Anthropic বলেছে, নতুন প্রতিরক্ষার বিরুদ্ধে অত্যন্ত কৌশলী ও ধারাবাহিক কোনো চেষ্টা তারা এখনও দেখেনি এবং ব্যবস্থা বদলাতে থাকবে।

ভিন্ন extraction পথের জন্য তিনটি নিয়ন্ত্রণ

Model distillation-এ আরও সক্ষম মডেলের উত্তর দিয়ে ছোট system-কে প্রশিক্ষণ দেওয়া যায়। এখানে Anthropic-এর উদ্বেগ Claude-এর সম্পূর্ণ, লুকানো reasoning অননুমোদিতভাবে সংগ্রহ করা নিয়ে; কোম্পানির মতে, সম্ভাব্য নকলকারীর কাছে শুধু উত্তরের লেখার চেয়ে এটি বেশি কাজে লাগে। Anthropic আগে ব্যবহারকারীদের দেখানোর আগে reasoning-এর সারাংশ দিত। কোম্পানির করা এক coding test-এ Claude Opus 4.8-এর সম্পূর্ণ transcript দিয়ে প্রশিক্ষিত মডেল SWE-bench Verified-এ ৮০.৪% পেয়েছিল; সারাংশ transcript দিয়ে প্রশিক্ষিত মডেল পেয়েছিল ৭১.৮%। ওই পরীক্ষায় বিস্তারিত trace-এর মূল্য বোঝা যায়; কোনো নির্দিষ্ট বাইরের মডেল কতটা উন্নত হয়েছে তা এতে মাপা হয়নি।

প্রথম নতুন নিয়ন্ত্রণটি reasoning block-এর স্থানান্তর সীমিত করে। Anthropic বলছে, Claude-কে সুরক্ষিত লেখা প্রকাশে বাধ্য করতে আক্রমণকারীরা conversation, model ও account-এর মধ্যে block সরানোর চেষ্টা করেছে। Claude Fable 5.1 ও Opus 5.5-এ “preserved thinking” নতুন API account-এর জন্য block-কে আগের conversation context-এর সঙ্গে যুক্ত করে। অন্য মডেলের block কোন মডেল পড়তে পারবে Anthropic তাও সীমিত করে এবং Sonnet 5.5-এর reasoning-কে তা তৈরি করা প্রতিষ্ঠানের সঙ্গে যুক্ত করে।

Claude API-এর বর্তমান documentation integration-এর প্রভাব স্পষ্ট করে: আগের thinking block ফেরত দেওয়া API request-এ সংশ্লিষ্ট system prompt, tool ও আগের message অক্ষত রাখতে হবে। ৩১ আগস্ট ২০২৬ বা তার পরে তৈরি account-এ prefix check ডিফল্টভাবে কার্যকর। আগের context বদলে দেয় বা সংরক্ষিত conversation নতুন করে তৈরি করে এমন app-কে সেটি replay করার পদ্ধতি বদলাতে হতে পারে। সাধারণ append-only history-তে পরিবর্তনের দরকার নেই বলে documentation জানায়।

Anthropic-এর দ্বিতীয় নিয়ন্ত্রণ হলো দুই ধাপের classifier, যা লুকানো reasoning extraction-এর প্রচেষ্টার বিরুদ্ধে প্রশিক্ষিত ও পরীক্ষিত। কোম্পানির মতে, এটি তাদের সবচেয়ে সক্ষম সাধারণভাবে উপলভ্য model-গুলোতে চলে; এর মধ্যে Sonnet 5.5, Opus 5 ও 5.5, এবং Fable 5 ও 5.1 রয়েছে। এসব সুরক্ষায় false-positive rate ০.১%-এর কম বলে কোম্পানি জানায়। অন্য ভাষায় আগের reasoning চাওয়া বা output tag-এর ভেতরে তা চাওয়ার মতো কৌশলও তারা সংশোধন করেছে বলে জানায়। পোস্টে ওই rate-এর স্বাধীন পরীক্ষা নেই এবং ভবিষ্যতের প্রতিটি extraction পদ্ধতি ব্লক হবে—এমন প্রমাণও নেই।

তৃতীয় নিয়ন্ত্রণ account স্তরে কাজ করে। Anthropic বলছে, বারবার extraction চেষ্টা করলে আরও কঠোর usage limit বা ban হতে পারে। ২৪ সেপ্টেম্বর থেকে Claude উত্তর দেওয়ার আগে ব্লক করা কিছু নির্দিষ্ট low-false-positive category-র request-এর জন্যও তারা আবার বিল নিচ্ছে; distillation তার মধ্যে রয়েছে। ফলে বৈধ ব্যবহারকারী ভুল block এবং charge—দুটোরই মুখে পড়তে পারেন। preserved thinking-এর কারণে কিছু developer-কে integration আপডেট করতে হয়েছে বলেও Anthropic স্বীকার করেছে।

প্রতিবেদিত হ্রাস কী মাপে

Anthropic distiller-দের সংগ্রহ করা Claude reasoning token-এর সংখ্যা অনুমান করেছে তাদের নিজস্ব প্ল্যাটফর্মে। classifier চালুর পর এই সংখ্যা আগের তুলনায় ধারাবাহিকভাবে ১০ থেকে ১০০ গুণ কম ছিল বলে তারা জানায়; সেপ্টেম্বরের প্রতিবেদনে বলা তাদের সবচেয়ে শক্তিশালী সাধারণভাবে উপলভ্য model-কে লক্ষ্য করা কৌশলগুলো classifier শনাক্ত করে। এই অনুমান distillation traffic চেনার Anthropic-এর ক্ষমতার ওপর নির্ভরশীল; অন্য provider-এর মাধ্যমে extraction বা অচেনা attack পদ্ধতি এটি একা মাপতে পারে না।

কোম্পানির দাবি, distillation-সংশ্লিষ্ট কয়েক দশ হাজার account তারা ban করেছে, প্রায়ই campaign শুরুর দুই ঘণ্টার মধ্যেই। distiller-রা তৃতীয় পক্ষের cloud platform ও অন্য inference provider দিয়ে traffic চালায় বলেও তারা জানায়। এসব বক্তব্যে platform-এর সীমানা গুরুত্বপূর্ণ: Anthropic-এর দেখা extracted token কমে যাওয়া তাদের মাপতে পারা traffic বদলানোর প্রমাণ; সর্বত্র Claude থেকে সংগ্রহ করা সব অননুমোদিত training data-র সংখ্যা নয়।

Anthropic বলছে, বর্তমান প্রতিরক্ষা পাশ কাটানোর অত্যন্ত কৌশলী ও ধারাবাহিক প্রচেষ্টা তারা এখনও দেখেনি। স্থায়ী সাফল্য মনে হয় এমন দাবির চেয়ে এই সতর্কতাটি বেশি গুরুত্বপূর্ণ। কোম্পানি উল্লেখযোগ্য অভ্যন্তরীণ হ্রাস এবং model reasoning রক্ষার কার্যকর পদ্ধতি নথিভুক্ত করেছে; পরবর্তী ফল নির্ভর করবে আক্রমণকারীরা কীভাবে মানিয়ে নেয় এবং অন্য access route একই আচরণ শনাক্ত করে কি না।

সূত্র ও আরও পড়ুন

  • Anthropic, “distillation attack-এর বিরুদ্ধে আমাদের প্রতিরক্ষা জোরদার করা”, ১২ অক্টোবর ২০২৬। কোম্পানির মূল বিবরণে control, অভ্যন্তরীণ extraction অনুমান, false-positive দাবি এবং ব্যবহারকারীর জন্য সমঝোতার কথা রয়েছে। এই নিবন্ধের জন্য platform measurement স্বাধীনভাবে পুনরায় পরীক্ষা করা হয়নি।
  • Claude Platform, “Preserved thinking”, দেখা হয়েছে ১৩ অক্টোবর ২০২৬। বর্তমান API documentation-এ block ও prefix-এর নিয়ম, প্রভাবিত account-এর তারিখ এবং বদলাতে হতে পারে এমন integration pattern উল্লেখ আছে। আমরা documentation পর্যালোচনা করেছি; BIG CHANGE কোনো API request পাঠায়নি।
  • Anthropic, সেপ্টেম্বর ২০২৬ threat intelligence report, সেপ্টেম্বর ২০২৬। আগের কোম্পানি-প্রতিবেদনটি Anthropic যে extraction পদ্ধতির জবাব দেওয়ার কথা বলেছে তার পটভূমি দেয়; campaign-গুলো সম্পর্কে এটি কোম্পানির নিজস্ব বিবরণ।