当2880万次查询成为武器：蒸馏攻防战的技术解剖

2026年6月24日，Anthropic向美国参议院银行委员会及白宫官员致信，指控阿里巴巴关联运营商通过约2.5万个账户对Claude发起大规模蒸馏攻击。45天内超过2880万次交互，精准瞄准软件工程和Agentic推理两类高价值能力。这一指控是在年初Anthropic指控中国另外三家LLM企业之后的最新一起。指控本身尚待各方回应，但事件迅速引发了更深层的讨论。

更具戏剧性的是，在一周前Huggingface出现的开源模型Qwable-v1为这场争议提供了可被公开检验的技术标本。这款由独立开发者发布的模型，以Qwen系列的MoE架构为基座，通过链式蒸馏先后注入了Claude系模型的推理链和Agentic工具使用能力，仅用约4600余条SFT数据、单张H200显卡、约14小时便完成了训练。它以一种近乎透明的方式，展示了蒸馏技术的效率边界。

蒸馏技术原理

从“教师”到“学生”的知识转移模型蒸馏（Knowledge Distillation）最早由诺奖得主Geoffrey Hinton于2015年提出，核心思想是让一个大型“教师模型”（Teacher）指导小型“学生模型”（Student）学习，从而在保持较高性能的同时大幅降低计算成本和部署门槛。

基本流程包括：

教师生成高质量输出（含推理链和概率分布）。
学生通过SFT或强化学习模仿。
高级变体如链式蒸馏（Qwable-v1采用此法）、对抗蒸馏等。

在LLM领域，蒸馏特别有效，能快速将万亿参数模型“浓缩”成高效版本。Qwable-v1正是这一技术的典型实践：它将Claude的高级推理和工具使用能力迁移到Qwen开源基座上，实现社区驱动的快速能力复制。

蒸馏攻击的技术逻辑

蒸馏攻击不同于传统数据窃取。其目标不是获取模型权重，而是通过大规模、结构化的API调用，系统性地采集教师模型在特定任务上的推理过程和工具使用模式，再以此训练自有模型。攻击者不需要理解Claude的内部结构——他们只需要让Claude"表演"足够多次。

此次攻击呈现出高度的组织性。2.5万账户的查询策略有明确的任务聚焦，围绕代码生成、调试、多步工具调用等场景展开。这种聚焦式蒸馏最大化了每条训练样本的信息密度。考虑到Claude在单次Agentic任务中可能产生数千Token的推理链和多个工具调用轮次，2880万次交互所蕴含的结构化知识量，足以支撑一个学生模型在特定领域快速接近教师水平。

防御：不对称的猫鼠游戏

Anthropic已部署反蒸馏分类器，其Fabl