待验证50% 置信事实精确时间
传统蒸馏通常需要访问教师模型的完整输出概率（logits），但在黑盒API场景下，攻击者只能获得最终文本，于是演变为「黑盒蒸馏」——用大量输入输出对做指令微调。
1
来源数
50%
置信度
长期有效
时效性
2026/10/24
首次发现
来源
OpenCode遭大规模攻击：蒸馏攻击与AI安全新税
youtubeThe PrimeTime2026/10/24
涉及实体
相关事实
待验证在传统白盒蒸馏中学生模型可以直接访问教师模型输出层的完整概率分布（logits），而大语言模型商业API通常只返回最终生成文本或top-k的token概率77% 相似待验证闭源模型只能从输入输出的黑箱层面做推测，而开放的权重、训练细节与内部机制让异常行为成因变得可解70% 相似已验证硬蒸馏是指学生模型直接学习教师模型的最终输出标签或生成文本，软蒸馏则要求学生模型学习教师模型输出的完整概率分布（logits）68% 相似待验证在BLACKBOX中，语言模型负责选择工具、解读图查询结果、归纳证据并生成故障解释，但图谱始终是运维事实的来源。65% 相似待验证置信度门控蒸馏只有当教师模型对样本的预测置信度超过阈值时，该样本的蒸馏信号才被纳入训练64% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1092635API
curl https://kongchang.com/api/v1/knowledge/claims/1092635MCP
get_claim(id=1092635)