近日一项研究引起了AI圈关注。研究人员通过发现主流AI公司API中的一个漏洞，成功提取了前沿模型隐藏的推理过程，并发现Kimi K3在继续生成Claude Opus相关文本时，表现出异常高的统计匹配度。与其他开源权重模型相比，这种亲和性尤为突出。

AI模型在给出最终答案前通常会进行内部思考，这些思考内容会被加密后返回给用户端，以节省服务器资源。研究团队发现，多家公司使用了全局加密密钥。更关键的是，把较强模型的加密思考块喂给较弱的同系列模型后，较弱模型可以解密并输出完整思考过程。

Kimi K3

研究如何发现推理轨迹的“指纹”

研究人员把解密后的Claude Opus推理片段当作“指纹”，测试其他模型能否继续生成后续内容。结果显示，特定Claude和GPT的推理跨度，在Kimi K3上被提取的难度比次优模型低了最多约6个数量级。只输入1%的Claude Opus推理片段，Kimi K3后续的思考路径和最终回答就会明显向Claude的风格靠拢。

这种高度兼容性引发了关于模型训练数据和方法的讨论。研究本身并不直接证明蒸馏行为，但提供了行为层面的强相关证据。模型在推理模式上的相似性，往往与训练数据分布和后训练策略有关。

开源模型与闭源模型的能力差距在缩小

Kimi K3是一款参数量达2.8万亿的混合专家模型，激活参数约1040亿，支持百万级上下文和原生视觉能力。它在多项评测中表现出色，尤其在长程编码、知识工作和推理任务上接近甚至部分超过部分闭源模型的表现。

开源权重模型的快速进步，让更多开发者能够本地部署和二次开发。与此同时，闭源模型在安全对齐和特定场景稳定性上仍有优势。两者之间的差距正在缩小，但训练数据来源和推理过程的透明度问题也随之凸显。

API安全漏洞带来的实际影响

研究还指出了三个现实风险：开发者公开分享的会话日志中可能藏有个人信息和凭证；模型内部思考过程有时会暴露有害步骤，即使最终答案被拒绝；攻击者可能把恶意指令隐藏在加密块中劫持工作流。

这些发现提醒行业，加密推理轨迹的保护机制需要重新审视。全局密钥和弱模型解密路径的存在，让“黑盒”思考过程不再完全不可见。对用户和开发者来说，谨慎处理API返回内容和会话记录变得更加重要。

技术演进中的观察

大模型竞争已经从单纯参数规模转向推理质量、长上下文处理和多模态能力。开源模型通过架构创新和精细后训练，正在快速追赶。同时，模型行为相似性的研究也在增加，有助于社区更好理解不同模型的“思维习惯”。

这项研究提供了一个技术视角：通过行为指纹分析模型之间的关联，比单纯看参数或基准分数更能揭示训练过程的细节。未来类似方法可能会被更广泛用于模型审计和安全评估。

总体来看，Kimi K3展现出的推理亲和性，既是技术能力的体现，也提醒业界在数据使用和系统安全上需要更严谨的标准。开源与闭源的互动会继续推动整个领域向前，而透明度和安全性的平衡，将成为长期议题。