Anthropic کا کہنا ہے کہ Claude میں تبدیلیوں سے محفوظ استدلال کی وہ مقدار تیزی سے کم ہوئی ہے جو مشتبہ ماڈل ڈسٹلرز نکال سکتے ہیں۔ 12 اکتوبر کو اپنے دفاعی اقدامات کے بارے میں جاری کردہ بیان میںکمپنی کا اندازہ ہے کہ نئے کلاسیفائر کے اجرا کے بعد اس کے اپنے پلیٹ فارم پر ڈسٹلرز کو ملنے والے استدلالی ٹوکنز 10 سے 100 گنا کم ہوئے۔ یہ پیمائش Anthropic کے اپنے ٹریفک اور حملوں کی شناخت پر مبنی ہے؛ کمپنی نے مجموعی کمی کا کوئی آزادانہ جائزہ شائع نہیں کیا۔

بڑی تبدیلی

  • کیا بدلا: اب Anthropic اس بات کو کنٹرول کرتا ہے کہ Claude کا استدلالی بلاک کہاں دوبارہ استعمال ہوسکتا ہے، پوشیدہ استدلال ظاہر کرنے کی کوششوں کو روکنے کے لیے کلاسیفائر چلاتا ہے، اور مسلسل کوشش کرنے والے اکاؤنٹس پر حدیں لگاتا ہے۔ اس کا اندرونی تخمینہ ظاہر کرتا ہے کہ پلیٹ فارم کے ذریعے شناخت شدہ ڈسٹلرز تک بہت کم استدلال پہنچا۔
  • یہ کیوں اہم ہے: استدلال کی مکمل نقلیں کسی ماڈل کے رویے کی نقل کرنے کے لیے مفید تربیتی مواد ہوسکتی ہیں۔ اس ذریعے کو محدود کرنے سے غیر مجاز اخراج کے لیے درکار کام بڑھتا ہے، جبکہ API ڈویلپرز کو گفتگو کی کچھ تاریخ برقرار رکھنی پڑتی ہے اور بعض بلاک شدہ درخواستوں کے لیے رقم دینا پڑسکتی ہے۔
  • کس بات پر نظر رکھیں: کمی کتنی دیر قائم رہتی ہے، یہ حملہ آوروں کے اگلے طریقوں اور Anthropic کے براہ راست پلیٹ فارم سے باہر ٹریفک پر منحصر ہے۔ Anthropic کہتا ہے کہ اسے نئے دفاع کے خلاف کوئی نہایت پیچیدہ اور مسلسل کوشش ابھی تک نظر نہیں آئی اور وہ ان میں تبدیلی کرتا رہے گا۔

اخراج کے مختلف راستوں کے لیے تین کنٹرولز

ماڈل ڈسٹلیشن میں زیادہ قابل ماڈل کے جوابات سے چھوٹے نظام کو تربیت دی جاسکتی ہے۔ یہاں Anthropic کو Claude کے مکمل، پوشیدہ استدلال کی غیر مجاز جمع آوری پر تشویش ہے؛ کمپنی کے مطابق ممکنہ نقل کرنے والے کے لیے یہ صرف جواب کے متن سے زیادہ مفید ہے۔ Anthropic پہلے صارفین کو دکھانے سے پہلے استدلال کا خلاصہ کرتا تھا۔ کمپنی کے ایک کوڈنگ ٹیسٹ میں Claude Opus 4.8 کی مکمل نقلوں پر تربیت یافتہ ماڈل نے SWE-bench Verified پر 80.4% حاصل کیے، جبکہ خلاصہ شدہ نقلوں پر تربیت یافتہ ماڈل نے 71.8% حاصل کیے۔ یہ تجربہ اس ترتیب میں مکمل ٹریس کی افادیت کی تائید کرتا ہے؛ یہ نہیں ناپتا کہ کوئی مخصوص بیرونی ماڈل کتنا بہتر ہوا۔

پہلا نیا کنٹرول استدلالی بلاکس کی منتقلی محدود کرتا ہے۔ Anthropic کا کہنا ہے کہ حملہ آوروں نے Claude سے محفوظ متن ظاہر کروانے کے لیے گفتگوؤں، ماڈلز اور اکاؤنٹس کے درمیان بلاکس منتقل کرنے کی کوشش کی۔ Claude Fable 5.1 اور Opus 5.5 میں “preserved thinking” نئے API اکاؤنٹس کے لیے بلاک کو پچھلی گفتگو کے سیاق سے باندھتا ہے۔ Anthropic یہ بھی محدود کرتا ہے کہ کون سے ماڈلز دوسرے ماڈلز کے بلاکس پڑھ سکتے ہیں اور Sonnet 5.5 کے استدلال کو اسے بنانے والی تنظیم سے منسلک کرتا ہے۔

موجودہ Claude API دستاویزات انضمام کے اثرات واضح کرتی ہیں: پہلے کا thinking بلاک واپس کرنے والی API درخواست میں متعلقہ سسٹم پرامپٹ، ٹولز اور پچھلے پیغامات برقرار رکھنے ہوں گے۔ 31 اگست 2026 کو یا اس کے بعد بنائے گئے اکاؤنٹس کے لیے prefix check طے شدہ طور پر نافذ ہوتا ہے۔ جو ایپلی کیشنز پچھلا سیاق دوبارہ لکھتی یا محفوظ گفتگو پھر سے بناتی ہیں، انہیں اسے چلانے کا طریقہ بدلنا پڑسکتا ہے۔ دستاویزات کے مطابق عام صرف اضافہ ہونے والی تاریخ میں تبدیلی کی ضرورت نہیں۔

Anthropic کا دوسرا کنٹرول دو مرحلوں کا کلاسیفائر ہے، جسے پوشیدہ استدلال نکالنے کی کوششوں کے خلاف تربیت اور جانچ دی گئی۔ کمپنی کے مطابق یہ اس کے سب سے قابل عام دستیاب ماڈلز پر چلتا ہے، جن میں Sonnet 5.5، Opus 5 اور 5.5، اور Fable 5 اور 5.1 شامل ہیں۔ کمپنی ان حفاظتی اقدامات کے لیے غلط مثبت شرح 0.1% سے کم بتاتی ہے۔ اس کا کہنا ہے کہ اس نے پہلے کا استدلال دوسری زبان میں یا آؤٹ پٹ ٹیگز میں مانگنے جیسی تکنیکیں درست کی ہیں۔ تحریر اس شرح کا آزادانہ ٹیسٹ پیش نہیں کرتی اور نہ یہ ثابت کرتی ہے کہ مستقبل کے ہر اخراجی طریقے کو روکا جائے گا۔

تیسرا کنٹرول اکاؤنٹ کی سطح پر کام کرتا ہے۔ Anthropic کہتا ہے کہ بار بار اخراج کی کوششیں استعمال کی سخت حدود یا پابندیوں کا باعث بن سکتی ہیں۔ 24 ستمبر سے اس نے مخصوص کم غلط مثبت زمروں، بشمول ڈسٹلیشن، میں Claude کے جواب سے پہلے بلاک کی گئی درخواستوں پر دوبارہ رقم لینا شروع کیا۔ اس لیے جائز صارفین کو غلط بلاک اور چارج دونوں کا سامنا ہوسکتا ہے؛ Anthropic یہ بھی تسلیم کرتا ہے کہ محفوظ شدہ سوچ کی وجہ سے کچھ ڈویلپرز کو انضمام اپ ڈیٹ کرنا پڑا۔

رپورٹ کردہ کمی کیا ناپتی ہے

Anthropic ڈسٹلرز کے نکالے ہوئے Claude استدلالی ٹوکنز کی تعداد کا اندازہ اپنے پلیٹ فارم پرلگاتا ہے۔ کلاسیفائر کے اجرا کے بعد یہ تعداد پہلے سے مسلسل 10 سے 100 گنا کم رہی، اور کلاسیفائر ستمبر کی رپورٹ میں بیان کردہ اپنے مضبوط ترین عام دستیاب ماڈلز کے خلاف تکنیکیں پکڑتا ہے۔ یہ تخمینہ Anthropic کی ڈسٹلیشن ٹریفک شناخت کرنے کی صلاحیت پر منحصر ہے؛ یہ اکیلا دوسرے فراہم کنندگان کے ذریعے اخراج یا کسی غیر شناخت شدہ حملے کے طریقے کو نہیں ناپ سکتا۔

کمپنی کا کہنا ہے کہ اس نے ڈسٹلیشن سے وابستہ دسیوں ہزار اکاؤنٹس پر پابندی لگائی، اکثر مہم شروع ہونے کے دو گھنٹے کے اندر۔ وہ یہ بھی کہتی ہے کہ ڈسٹلرز تیسرے فریق کے کلاؤڈ پلیٹ فارمز اور دیگر inference فراہم کنندگان کے ذریعے ٹریفک بھیجتے ہیں۔ یہ دعوے پلیٹ فارم کی حد کو اہم بناتے ہیں: Anthropic کو نظر آنے والے نکالے گئے ٹوکنز میں کمی اس ٹریفک میں تبدیلی کا ثبوت ہے جسے وہ ناپ سکتا ہے، نہ کہ دنیا بھر میں Claude سے جمع کیے گئے تمام غیر مجاز تربیتی ڈیٹا کی گنتی۔

Anthropic کا کہنا ہے کہ اس نے موجودہ دفاع سے بچنے کی نہایت پیچیدہ اور مسلسل کوشش ابھی تک نہیں دیکھی۔ یہ وضاحت مستقل کامیابی جیسا دعویٰ کرنے سے زیادہ اہم ہے۔ کمپنی نے اندرونی طور پر نمایاں کمی اور ماڈل کے استدلال کی حفاظت کے عملی طریقے درج کیے ہیں؛ آئندہ نتائج اس بات پر منحصر ہوں گے کہ حملہ آور کیسے ڈھلتے ہیں اور دوسرے رسائی کے راستے وہی رویہ پکڑتے ہیں یا نہیں۔

ذرائع اور مزید مطالعہ

  • Anthropic، “ڈسٹلیشن حملوں کے خلاف ہمارے دفاع کو مضبوط بنانا”، 12 اکتوبر 2026۔ کمپنی کا بنیادی بیان کنٹرولز، اندرونی اخراجی تخمینے، غلط مثبت شرح کے دعوے اور صارفین کے سمجھوتوں کی وضاحت کرتا ہے۔ اس مضمون کے لیے پلیٹ فارم کی پیمائش آزادانہ طور پر دوبارہ نہیں کی گئی۔
  • Claude Platform، “Preserved thinking”، 13 اکتوبر 2026 کو دیکھا گیا۔ موجودہ API دستاویزات بلاک اور prefix کے قواعد، متاثرہ اکاؤنٹس کی تاریخوں اور ممکنہ طور پر بدلنے والے انضمامی طریقوں کی وضاحت کرتی ہیں۔ ہم نے دستاویزات دیکھیں؛ BIG CHANGE نے API درخواستیں نہیں بھیجیں۔
  • Anthropic، ستمبر 2026 کی threat intelligence رپورٹ، ستمبر 2026۔ کمپنی کی سابقہ رپورٹ ان اخراجی طریقوں کا پس منظر دیتی ہے جن کے جواب میں Anthropic نے کارروائی کا کہا؛ یہ ان مہمات کی کمپنی کی اپنی روداد ہے۔