待验证60% 置信事件精确时间
研究者Ilya和Sasha发表了论文《Stealing Reasoning Traces from Proprietary LLM APIs》，研究从专有大模型API中窃取推理痕迹
2
来源数
60%
置信度
长期有效
时效性
2026/9/2
首次发现
来源
涉及实体
相关事实
待验证《Stealing Reasoning Traces from Proprietary LLM APIs》研究指出，攻击者可通过API返回的间接信号重构甚至窃取模型的完整推理轨迹80% 相似待验证缺失性验证要求模型主动推断源材料中哪些重要信息本应出现但被省略，需要先建立完整的应有内容心智模型，对LLM来说困难得多62% 相似待验证本次测试绕过了检索环节，直接将所有候选文档喂给模型，因此揭示的是语言模型本身的推理能力瓶颈而非检索算法缺陷61% 相似待验证早期大模型在跨源数据研究任务中容易出现遗漏关键来源、数字混淆或推断链断裂的问题，导致智能体不得不反复补充查询61% 相似待验证Anthropic在Contextual Retrieval的官方文章中举例说明embedding模型可能找到关于错误码的通用内容，却错过精确的'TS-999'匹配。61% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/843809API
curl https://kongchang.com/api/v1/knowledge/claims/843809MCP
get_claim(id=843809)