# Anthropic dice que sus defensas contra la destilación reducen el razonamiento extraído entre un 90% y un 99%

Source: TechNewsList (https://technewslist.com)
Canonical URL: https://technewslist.com/es/article/anthropic-distillation-defenses-preserved-thinking-2026-10-13-night-es
Section: AI (https://technewslist.com/es/ai)
Author: TechNewsList
Language: es
Published: 2026-10-13T20:13:51.535+00:00
Updated: 2026-10-13T20:13:51.74783+00:00

> La compañía informa una extracción de razonamiento drásticamente reducida, pero el historial de conversaciones firmadas también cambia la forma en que los agentes legítimos reproducen el contexto. La evidencia publicada no es una garantía de seguridad independiente.

## TL;DR
- Anthropic informa una reducción del 90% al 99% en el razonamiento obtenido después de combinar varias defensas.
- El pensamiento preservado puede rechazar las solicitudes de los agentes que reescriben la historia detrás de los bloques de razonamiento firmados.
- Una investigación independiente advierte que el éxito de la defensa depende de los presupuestos de los atacantes y de las suposiciones de acceso.

## Key points
- Las estimaciones antrópicas han cosechado entre diez y cien veces menos razonamientos en su plataforma después de las defensas.
- Su experimento de transcripción resumida informa un 71,8 por ciento de verificación SWE-bench frente al 80,4 por ciento con transcripciones completas.
- El pensamiento preservado vincula el razonamiento con signos a un mensaje del sistema, herramientas y prefijos de mensajes anteriores sin cambios.
- La discrepancia de prefijo documentada tiene como valor predeterminado un error 400; drop_block requiere el control beta nombrado.
- Bedrock documenta la eliminación de razonamientos producidos fuera de la cuenta de AWS o grupo de clientes permitidos en Sonnet 5.5.
- Una investigación independiente sostiene que las conclusiones sobre la destilación y la defensa dependen del modelo de amenaza del atacante.

## Qué pasó

El informe de Anthropic del 12 de octubre sobre su trabajo anti-destilación ofrece una estimación de un problema difícil: dice que los tokens de razonamiento recolectados de su plataforma cayeron aproximadamente entre diez y cien veces después de que se habilitaron sus defensas. Aquí, la destilación significa usar las respuestas o el razonamiento de un modelo para entrenar a otro. La estimación describe la actividad que Anthropic identificó en su propio servicio, no todas las posibles rutas de extracción.

![Cuadro de experimentos de la empresa que compara el desempeño de los estudiantes con transcripciones de razonamiento completas y resumidas.](https://rkhynbcsbnkkcwgexzwg.supabase.co/storage/v1/object/public/media/api/1791917507394-xerz48-anthropic-distillation-defenses-preserved-thinking-2026-10-13-night-inside-1-44c35aef5f.webp)
*Cuadro de experimentos de la empresa que compara el desempeño de los estudiantes con transcripciones de razonamiento completas y resumidas. Crédito: Anthropic.*

La empresa describe una respuesta en capas en lugar de un interruptor de protección. Proporciona un razonamiento resumido, restringe cómo se puede reproducir el pensamiento firmado, clasifica las solicitudes de extracción sospechosas y aplica la aplicación de medidas a nivel de cuenta. Su informe de investigación también compara modelos de estudiantes entrenados con expedientes académicos completos y resumidos: la versión resumida obtuvo una puntuación del 71,8 % en SWE-bench Verified, frente al 80,4 % de la versión con el expediente académico completo. Se trata de experimentos realizados por empresas, no de resultados replicados de forma independiente.

## Por qué importa

Un modelo puede exponer información de entrenamiento más útil que su respuesta final por sí sola. El trabajo intermedio puede revelar cómo se descompone una tarea de programación, se elige una herramienta o se corrige un error. Reducir esa información puede hacer que la imitación sea menos eficiente sin impedir que los clientes comunes reciban resultados útiles. La distinción importante es entre hacer la extracción más difícil y demostrar que un competidor determinado no puede obtener un conjunto de entrenamiento efectivo.

También existe un costo práctico para los desarrolladores de agentes legítimos. Muchos arneses modifican mensajes antiguos, reconstruyen un mensaje del sistema o comprimen turnos anteriores para guardar contexto. El pensamiento firmado cambia el contrato: el razonamiento se produjo bajo una historia particular, y trasladarlo a una historia diferente puede que ya no sea aceptable. Por lo tanto, una falla que parece un problema de modelo intermitente puede ser una falta de coincidencia reproducible en la construcción de la solicitud de la propia aplicación.

## Detalles técnicos

La documentación de pensamiento preservado de Claude dice que la firma vincula un bloque de pensamiento a su modelo y prefijo de conversación. Ese prefijo incluye el mensaje del sistema, las herramientas y el contenido del mensaje anterior. Agregar un nuevo turno es diferente a reescribir uno antiguo. Las cuentas API más nuevas reciben la verificación de prefijo de forma predeterminada según la implementación documentada, mientras que las integraciones más antiguas deben verificar el comportamiento de su propia cuenta en lugar de asumir una aplicación idéntica.

![Gráfico de empresa a escala logarítmica de extracción de razonamiento estimado antes y después de las salvaguardias.](https://rkhynbcsbnkkcwgexzwg.supabase.co/storage/v1/object/public/media/api/1791917509608-2dkyfn-anthropic-distillation-defenses-preserved-thinking-2026-10-13-night-inside-2-c5fbcf7a1c.webp)
*Gráfico de empresa a escala logarítmica de extracción de razonamiento estimado antes y después de las salvaguardias. Crédito: Anthropic.*

El valor predeterminado documentado para una discrepancia de prefijo es un error 400. En cambio, un control beta puede eliminar bloques de pensamiento incompatibles, permitiendo que la solicitud continúe. Esto no equivale a conservar el razonamiento original: el modelo pierde información que podría haber guiado la siguiente acción. Una aplicación debe registrar esa transformación y evaluar sus consecuencias, en lugar de etiquetar silenciosamente una respuesta HTTP exitosa como una continuación sin cambios.

Amazon Bedrock documenta distinciones adicionales por su integración alojada, incluida la compatibilidad de modelos y el pensamiento vinculado a la organización. Su comportamiento Sonnet 5.5 puede eliminar razonamientos que se originan fuera de la cuenta o grupo de clientes de AWS permitido. El proveedor también expone los motivos de la transformación cuando se suministra la versión beta correspondiente. Estas distinciones son importantes cuando un flujo de trabajo se mueve entre cuentas, servicios o modelos; una firma no es un contenedor portátil para razonamientos arbitrarios.

## Impacto en el mercado / la industria

La consecuencia competitiva es un cambio en la economía de la recopilación de ejemplos de capacitación, no un fin demostrado de la destilación. La reducción observada por Anthropic y su experimento de modelo estudiantil abordan diferentes preguntas: cuánta actividad sospechosa identificó el servicio y qué tan útil fue un tipo particular de transcripción para la capacitación. Ninguno de los números establece directamente la calidad de un modelo rival ni mide cada cuenta que podría haber escapado a la detección.

El trabajo independiente de Lena Libon y sus colegas, publicado antes de esta divulgación, sostiene que las afirmaciones sobre la ruptura de una defensa de destilación dependen del modelo de amenaza. Los presupuestos de consultas, los datos disponibles y la interfaz del atacante afectan la conclusión. Esa investigación no audita el despliegue de Anthropic en octubre. Proporciona una prueba útil para los lectores: pregunten qué acceso y recursos permite una evaluación antes de tratar el éxito o el fracaso como universales.

## Qué observar ahora

Los desarrolladores primero deben inspeccionar las solicitudes que realmente envían sus propios agentes. Mantenga intactos los bloques de pensamiento devueltos, conserve las firmas e identifique el primer turno editado cuando falla una repetición. Distinguir un error de prefijo de un límite de tarifa o una falla temporal del servicio; repetir una solicitud inválida idéntica no reparará su historial. Si se utiliza un comportamiento de caída admitido, haga visible el contexto perdido en los diagnósticos y las pruebas de regresión.

La siguiente evidencia persuasiva combinaría pruebas de extracción reproducibles con mediciones de interrupción del usuario legítimo. Las preguntas útiles incluyen si los errores de clasificación se concentran en ciertos flujos de trabajo, si los atacantes sofisticados se adaptan y cuánto cambia el comportamiento de la aplicación después de que se elimina el pensamiento. Anthropic reconoce límites a su evaluación. Sus cifras son evidencia de una defensa desplegada bajo su propia observación, no una razón para dejar de probar la seguridad o la confiabilidad de la integración.

Para los lectores ajenos al desarrollo de modelos, el límite es más simple: una explicación resumida aún puede ser útil sin ser el rastro interno completo. Los gráficos del artículo deben leerse como resultados etiquetados de la empresa, no como una clasificación de todos los sistemas de IA. Una mejor divulgación permitiría a los clientes comparar la protección lograda con la carga de compatibilidad impuesta, manteniendo al mismo tiempo las afirmaciones sobre la conducta real de los competidores separadas de las especulaciones técnicas.

## Fuentes

- [investigación antrópica](https://www.anthropic.com/research/distillation-defenses)– 12 de octubre Mediciones de la empresa, comparación resumen-capacitación, alcance del clasificador y limitaciones reconocidas.
- [Claude API preservó el pensamiento](https://platform.claude.com/docs/en/build-with-claude/preserved-thinking)— Vinculación de prefijos de conversación, implementación de cuentas, controles beta y requisitos de historial exacto.
- [Documentación de Amazon Bedrock](https://docs.aws.amazon.com/bedrock/latest/userguide/claude-messages-thinking-block-binding.html)— Modelo específico del proveedor de la nube, comprobaciones de organización y prefijos, comportamiento de error y transformaciones de diagnóstico.
- [Investigación independiente de defensa de la destilación.](https://arxiv.org/abs/2606.25059)— Análisis del modelo de amenazas que muestra que los presupuestos de consultas y las interfaces de los atacantes cambian el significado del éxito de la defensa; No verificación de las métricas de octubre.

Mentions: antrópico

## Sources
- [investigación antrópica](https://www.anthropic.com/research/distillation-defenses)
- [Claude API preservó el pensamiento](https://platform.claude.com/docs/en/build-with-claude/preserved-thinking)
- [Documentación de Amazon Bedrock](https://docs.aws.amazon.com/bedrock/latest/userguide/claude-messages-thinking-block-binding.html)
- [Investigación independiente de defensa de la destilación.](https://arxiv.org/abs/2606.25059)