تقطر مدل: وقتی «روش تفکر» ارزشمندتر از خود مدل می شود

تقطر مدل (Model Distillation) از قدیمی ترین و در عین حال پرحاشیه ترین تکنیک های یادگیری ماشین است. ایده اش ساده است: یک مدل بزرگ و پرهزینه (معلم) به هزاران سوال پاسخ می دهد و مدلی کوچک تر و ارزان تر (دانش آموز) از روی همان پاسخ ها آموزش می بیند تا بخش بزرگی از توانایی معلم را با کسری از هزینه اجرا کند. اما گزارش های تازه، چهره ای دیگر از این تکنیک را آشکار کرده است: وقتی بدون اجازه توسعه دهنده مدل انجام شود، از یک روش مشروع به «حمله استخراج قابلیت» تبدیل می شود.

## از ابزار کارآمد تا میدان رقابت صنعتی

در حالت عادی، تقطر یک روش کاملا مشروع و پرکاربرد است: پژوهشگران با مدل های بازمتن و دارای مجوز به عنوان معلم، نسخه های سبکی می سازند که روی گوشی یا سرورهای کوچک اجرا می شوند. پژوهش های اخیر نشان می دهند «تقطر حین اجرا» (On-policy Distillation) می تواند بدون نیاز به تنظیم ظریف و ناپایدار یادگیری تقویتی، مهارت استدلال ریاضی و استفاده از ابزار را به مدل دانش آموز منتقل کند؛ روشی مانند Seg-OPD حتی با واداشتن مدل به بازنویسی گام های میانی استدلالش بر اساس پیش نویس های معلم، دقت استدلال را چند درصد بهبود داده است.

اما نسخه غیرمجاز این تکنیک، اقتصادی کاملا متفاوت دارد. آموزش یک مدل مرزی میلیاردها دلار هزینه دارد، اما پرسیدن یک سوال از API آن فقط چند سنت تمام می شود. همین شکاف اقتصادی، موتور محرک «حملات تقطر» است: شبکه هایی از هزاران حساب جعلی، میلیون ها پرسش هدفمند را به مدل مرزی می فرستند و خروجی ها را به عنوان داده آموزشی برای ساخت رقیب جمع آوری می کنند. شرکت آنتروپیک در گزارش اکتبر ۲۰۲۶ خود اعلام کرد از فوریه ۲۰۲۶ چندین عملیات صنعتی را شناسایی کرده است؛ از جمله بیش از ۱۵۱ میلیون تبادل با مدل کلاد که به گفته این شرکت برای تقطر قابلیت ها در مدل های Qwen 3.5 تا 3.7 شرکت علی بابا به کار رفته، و حدود ۳۰۰ هزار درخواست کاربران مدل Kimi که به طور مخفیانه به کلاد هدایت و ذخیره شده است.

## چرا ردپای استدلال، جایزه اصلی است؟

نکته کلیدی گزارش آنتروپیک یک عدد ساده است: مدلی که از «رونوشت کامل استدلال» کلاد تقطر شده بود، در بنچمارک کدنویسی SWE-bench Verified به ۸۰٫۴ درصد رسید، در حالی که تقطر از روی خلاصه استدلال فقط ۷۱٫۸ درصد نتیجه داد. این تفاوت، تفاوت میان کپی کردن «پاسخ امتحان» و کپی کردن «روش مطالعه» است. پاسخ نهایی به یک سوال دشوار ارزش دارد، اما زنجیره کامل تفکر — شروع های اشتباه، گام های راستی آزمایی، شیوه خودبازبینی مدل — به عنوان داده آموزشی به مراتب ارزشمندتر است. این یعنی سنگر رقابتی امروز، فقط وزن های مدل نیست؛ محیط های آموزشی، خطوط لوله یادگیری تقویتی و رفتار استدلالی ای است که آن ها تولید می کنند — و برداشت ردپای استدلال، در واقع برداشت همان سنگر است.

## سپرهای تازه و مسابقه موش وگربه

آنتروپیک در ۱۲ اکتبر ۲۰۲۶ بسته دفاعی تازه ای را در مدل های Claude Fable 5.1 و Opus 5.5 معرفی کرد. نخست «تفکر حفظ شده» (Preserved Thinking) که از ویرایش زمینه قبلی مکالمه توسط حساب های تازه ساخته شده — ترفندی که مهاجمان برای بیرون کشیدن رونوشت استدلال به کار می بردند — جلوگیری می کند. دوم، یک طبقه بند دومرحله ای برای شناسایی تلاش های استخراج، با نرخ خطای مثبت کاذب زیر ۰٫۱ درصد. سوم، ممنوعیت ده ها هزار حساب مرتبط با این کمپین ها، اغلب کمتر از دو ساعت پس از آغاز کارزار. و چهارم، از ۲۴ سپتامبر، صورتحساب کردن درخواست هایی که با اطمینان بالا مسدود می شوند تا حمله، دیگر اقتصادی نباشد. به گفته شرکت، این تدابیر میزان توکن های استدلالی استخراج شده را ۱۰ تا ۱۰۰ برابر — یعنی ۹۰ تا ۹۹ درصد — کاهش داده است.

اما خوانش صادقانه این عدد مهم است: این سنجش خود آنتروپیک روی پلتفرم خودش است و هیچ نهاد مستقلی آن را تایید نکرده؛ خود شرکت هم می گوید هنوز با تلاشی بسیار پیچیده و پایدار برای دور زدن این سپرها روبه رو نشده و انتظار یک مسابقه ادامه دار را دارد. نتیجه واقع بینانه، پایان حملات تقطر نیست؛ گران تر شدن استخراج است تا جایی که کمپین های تنبل و ارزان قیمت از دور خارج شوند.

## جمع بندی

تقطر مدل هم زمان یک فناوری دموکراتیک کننده و یک تهدید رقابتی است: از یک سو مدل های قدرتمند را ارزان و در دسترس می کند، از سوی دیگر می تواند سرمایه گذاری عظیم آزمایشگاه های مرزی را با کسری از هزینه به رقیب منتقل کند. پرسش پیش رو، فنی صرف نیست؛ پرسشی اقتصادی و حاکمیتی است: در دنیایی که مدل ها ارزان تر کپی و گران تر ساخته می شوند، ارزش واقعی هوش مصنوعی در کجاست — و چه کسی از آن محافظت می کند؟