OpenAI reforzó las protecciones que impiden extraer el razonamiento interno de sus modelos GPT-6.2 Astra y GPT-6.2 Sol, informó The Decoder. Ese razonamiento es la cadena de pasos intermedios que el modelo genera antes de responder y que la empresa no le muestra al usuario.
En pruebas automatizadas internas, los ataques que lograban sacar el razonamiento protegido de una consulta anterior tenían 54,0% de éxito contra GPT-6 Astra. Contra GPT-6.2 Astra bajaron a 0,2%. Los ataques contra la consulta en curso cayeron de 22,9% a 0,9%, según OpenAI. La empresa está llevando algunas de estas mejoras también a GPT-6 Astra.
Los números de la prueba
| Tipo de ataque | GPT-6 Astra con defensas originales | GPT-6.2 Astra con defensas nuevas |
|---|---|---|
| Extraer el razonamiento protegido de una consulta anterior | 54,0% | 0,2% |
| Extraer el razonamiento protegido de la consulta en curso | 22,9% | 0,9% |
Las cifras corresponden a la tasa de éxito de ataque (ASR, por su sigla en inglés) en pruebas adaptativas de caja negra, donde el atacante no ve el interior del modelo y va ajustando sus intentos. OpenAI sumó los resultados de seis modelos atacantes distintos. Mientras más baja la cifra, mejor.
¿Cómo funcionan las defensas?
Las defensas operan en dos niveles. En cada consulta individual, OpenAI combina entrenamiento específico del modelo, filtros de entrada y salida para los mensajes y para las llamadas a herramientas, y bloqueos en la API que impiden que modelos más antiguos lean el razonamiento protegido.
Contra las campañas coordinadas, la empresa recurre a las suspensiones. OpenAI bloquea cada semana entre miles y decenas de miles de cuentas.
Anthropic enfrenta el mismo problema
Anthropic también combate los ataques sistemáticos de destilación, la práctica de entrenar un modelo propio con las respuestas de otro. La empresa bloquea igualmente decenas de miles de cuentas para frenar el robo de su razonamiento interno, con un éxito que, según se informó, va del 90% al 99% de los casos. Anthropic además pidió una respuesta coordinada de la industria y de las autoridades.
El 23 de febrero de 2026, The Decoder informó que Anthropic acusó a DeepSeek, Moonshot y MiniMax de sacar datos de Claude mediante 16 millones de consultas.




