ภาพประกอบนามธรรมที่สร้างขึ้นบนพื้นสีกรมท่าเข้มพร้อมตารางพิมพ์เขียวจาง ๆ มีคอลัมน์แคบ ๆ ของสี่เหลี่ยมผืนผ้าสีฟ้าไซแอนอ่อนที่มีความสูงไม่เท่ากันเรียงลงมาทางด้านซ้าย โดยแต่ละอันคั่นด้วยช่องว่างเล็ก ๆ ข้าง ๆ กันนั้นมีแถวของขีดแนวตั้งสีอำพันบาง ๆ ทำเครื่องหมายระยะห่างของมัน ทั้งสองส่วนถูกล้อมด้วยผนังโปร่งแสงแบบจุดที่สื่อด้วยรูปทรงเท่านั้น ไม่ใช่ข้อความ และอีกฟากหนึ่งมีแสงเรืองสีขาวนุ่ม ๆ ที่คลี่คลายเป็นเงารูปทรงโค้งมนเพียงหนึ่งเดียวของการสนทนา แบบกำกวมและไม่มีป้ายกำกับ ไม่มีข้อความ ตัวเลข ผู้คน เครื่องหมายการค้า หรือโลโก้องค์กรปรากฏอยู่ โลโก้ OrcaRouter ถูกคอมโพสิตไว้ที่มุมขวาล่าง
AI Safety Incidents

Whisper Leak: โครงร่างของคำตอบที่เข้ารหัสก็เพียงพอที่จะเดาคำถามได้

ผู้เขียน

jinhao.song

วันที่เผยแพร่

โมเดลล่าสุด · 20ดูโมเดลทั้งหมด →
เบนช์มาร์ก: Artificial Analysis · อัปเดตทุกวัน
กลับไปยังโพสต์ทั้งหมด

เมื่อวันที่ 7 พฤศจิกายน 2025 ทีมวิจัยความปลอดภัย Defender ของ Microsoft ได้เผยแพร่ Whisper Leak การโจมตีแบบช่องทางข้างเคียง (side-channel attack) ที่อนุมานว่าบุคคลกำลังถามอะไรกับแชตบอตจากขนาดและจังหวะเวลาของแพ็กเก็ตที่บรรจุคำตอบ — ทราฟฟิกที่ TLS เข้ารหัสไว้แล้วและผู้โจมตีไม่เคยถอดรหัส รายงานทางเทคนิคถูกส่งไปยัง arXiv ก่อนหน้านั้นสองวัน ในวันที่ 5 พฤศจิกายน ภายใต้ชื่อ Jonathan Bar Or และ Geoff McDonald (arXiv:2511.03675) จากโมเดลภาษาทางพาณิชย์ 28 โมเดล นักวิจัยรายงานตัวจำแนกหัวข้อที่ในกรณีส่วนใหญ่ได้คะแนนสูงกว่า 98% AUPRC และภายใต้ความไม่สมดุลของคลาสจำลอง 10,000 ต่อ 1 มี 17 จาก 28 โมเดลที่ไปถึงความแม่นยำ (precision) 100% ที่ระดับการเรียกคืน (recall) ต่ำตามที่บทความรายงาน ไม่มีการรายงานการดักจับบทสนทนาจริงที่ใดในบันทึกนี้: คลังจัดเก็บรายการนี้ในระดับความรุนแรงปานกลางพร้อมเกรดความเชื่อมั่น A โดยไม่มีข้อโต้แย้งเกี่ยวกับเรื่องนี้ และไม่มีความเสียหายจริงที่บันทึกไว้ บันทึกนี้เอง — เกรดความรุนแรง รายการแหล่งที่มา และการประเมินความเชื่อมั่น — ถูกจัดเก็บไว้ใน คลังเหตุการณ์ AI ควบคู่กับรายการอื่น ๆ ที่เกี่ยวกับเลเยอร์เครือข่ายและความเป็นส่วนตัวในคอลเลกชันเดียวกัน

ทำไมข้อความเข้ารหัสจึงยังมีรูปร่าง

คำอธิบายของ Microsoft อธิบายกลไกนี้ในภาษาของการออกแบบไซเฟอร์ TLS สร้างเซสชันบนไซเฟอร์แบบสมมาตร และไซเฟอร์สองตระกูลนี้มีพฤติกรรมต่างกันที่ขอบเขต: ไซเฟอร์แบบบล็อก เช่น AES ในโหมดบล็อก จะส่งออกข้อมูลที่มีขนาดเป็นจำนวนเท่าของขนาดบล็อกเสมอ ขณะที่ไซเฟอร์แบบสตรีม เช่น ChaCha20 หรือ AES-GCM รองรับความยาวข้อมูลใด ๆ ก็ได้ บทความระบุว่า หากไม่มีการบีบอัด ข้อความไซเฟอร์จะเท่ากับข้อความธรรมดาบวกค่าคงที่ ดังนั้นขนาดของแต่ละชังก์ที่เข้ารหัสยังคงสะท้อนขนาดของข้อมูลที่ใส่เข้าไป โมเดลภาษาสร้างโทเคนครั้งละหนึ่งโทเคนและสตรีมโทเคนเหล่านั้นไปยังไคลเอนต์ขณะที่ถูกสร้างขึ้น ซึ่งทำให้การตอบสนองกลายเป็นลำดับของเหตุการณ์เครือข่ายที่มีความยาวตามความยาวของโทเคน และมีระยะห่างตามความเร็วที่โมเดลสร้างโทเคนเหล่านั้น ผู้สังเกตการณ์ที่ทำได้เพียงเฝ้าดู — บทความระบุถึงตัวแสดงระดับรัฐชาติในชั้นผู้ให้บริการอินเทอร์เน็ต บุคคลในเครือข่ายท้องถิ่น หรือบุคคลที่ใช้เราเตอร์ Wi-Fi เครื่องเดียวกัน — บันทึกลำดับนั้นและเรียนรู้บางอย่างเกี่ยวกับคำตอบโดยไม่ต้องแตะการเข้ารหัส

บทความระบุชัดเจนว่านี่ไม่ใช่การเจาะ TLS ตัวไซเฟอร์ทำหน้าที่ตามที่ออกแบบไว้ทุกประการ สิ่งที่รั่วไหลคือเมทาดาทาที่ TLS ไม่เคยถูกสร้างมาเพื่อซ่อนไว้ ผู้เขียนยังวางงานชิ้นนี้ไว้ในสายของผลการศึกษาก่อนหน้า: การสร้างความยาวโทเคนขึ้นมาใหม่โดย Weiss และคณะในปี 2024, การโจมตีแบบจับเวลาในการถอดรหัสเชิงคาดการณ์โดย Carlini และ Nasr, การรั่วไหลของจำนวนโทเคนเอาต์พุตที่ศึกษาโดย Zhang, Saileshwar และ Lie, และงานด้านการจับเวลาการแชร์แคชโดย Zheng และคณะ ผลงานของ Whisper Leak แคบกว่าและใช้งานได้จริงมากกว่าผลงานเหล่านั้นทั้งหมด: ไม่ใช่การสร้างคำตอบขึ้นมาใหม่ แต่เป็นการตัดสินว่าคำถามนั้นอยู่ในหมวดหมู่ที่เลือกไว้หมวดหมู่หนึ่งหรือไม่

An HTML card titled 'What the observer sees, and what it infers', subtitled 'Nothing here requires breaking the encryption.' Two columns. Left, what is visible on the wire: a sequence of packet sizes in bytes and a sequence of inter-arrival times in milliseconds, drawn as a bar strip and a tick row, with a note that TLS stream ciphers preserve plaintext length and that streaming sends each token as it is generated. Right, what a trained classifier returns after processing those two sequences: a single probability that the conversation belongs to a target topic, with a threshold applied. A footer cites Microsoft Security Blog, 7 November 2025, and arXiv:2511.03675, 5 November 2025.

การทดลองถูกสร้างขึ้นอย่างไร

หัวข้อเป้าหมายคือความชอบด้วยกฎหมายของการฟอกเงิน นักวิจัยสร้างคำถามที่คล้ายกันเชิงความหมายจำนวน 100 รูปแบบ เก็บไว้ 20 ข้อสำหรับการทดสอบและฝึกกับอีก 80 ข้อ แล้วผสมกับคำถามที่ไม่เกี่ยวข้อง 11,716 ข้อซึ่งดึงมาจากชุดข้อมูล Quora Questions Pair มีการจับทราฟฟิกแยกตามแต่ละโมเดลด้วย tcpdump โดยเก็บตัวอย่างบวกและลบในลำดับที่สลับกันและแทรกช่องว่างพิเศษระหว่างคำเพื่อหลีกเลี่ยงไม่ให้แคชพรอมป์ทำให้ผลลัพธ์คลุมเครือ การสร้างรันที่อุณหภูมิ 1.0 มีการฝึกตระกูลตัวจำแนกประเภทสามตระกูลบนลำดับที่ได้ ได้แก่ LightGBM, LSTM แบบสองทิศทาง และโมเดล DistilBERT ที่ดัดแปลงให้ถือถังขนาดและถังเวลาเป็นโทเคน และแต่ละตัวถูกทดสอบด้วยคุณลักษณะขนาดเพียงอย่างเดียว คุณลักษณะเวลาเพียงอย่างเดียว และทั้งสองอย่างร่วมกัน

ประสิทธิภาพถูกให้คะแนนเป็นพื้นที่ใต้เส้นโค้ง precision-recall ซึ่งเป็นทางเลือกที่บทความนี้ปกป้องโดยให้เหตุผลว่าปัญหาตามสถานการณ์จริงนั้นมีความไม่สมดุลอย่างมาก: ผู้สังเกตที่เฝ้าดูทราฟฟิกธรรมดาจำนวนมากเพื่อค้นหาบทสนทนาที่น่าสนใจเพียงจำนวนน้อยมาก ควรถูกตัดสินด้วย precision ไม่ใช่ความแม่นยำดิบ

ตัวเลข และตัวเลขเหล่านั้นเป็นตัวเลขชนิดใด

โมเดล 17 จาก 28 ตัวผ่านเกณฑ์ AUPRC 98% โดยหลายตัวอยู่ที่หรือสูงกว่า 99.9% และขนาดแพ็กเก็ตเพียงอย่างเดียวก็เพียงพอต่อผลลัพธ์ที่แข็งแกร่งในกรณีส่วนใหญ่ อันดับต้นของตารางคือ Mistral Large ที่ 100.0%, DeepSeek-R1 ที่ Microsoft โฮสต์ ที่ 99.9%, Grok 3 Mini Beta ของ xAI ที่ 99.9% และ GPT-4o mini ของ OpenAI ที่ 98.6% ส่วนท้ายตารางไม่ใช่การมีภูมิคุ้มกัน แต่เป็นระยะห่าง: Phi-3.5-mini-MoE instruct ของ Microsoft เองได้ 76.9%, Amazon Nova Lite 71.2%, Amazon Nova Pro 77.5%, รุ่นต่างๆ ของ Gemini 1.5 และ 2.5 อยู่ระหว่าง 81.9% ถึง 84.0% และ Claude 3 Haiku ของ Anthropic 91.2%

An HTML card titled 'Best AUPRC per model, from Table 1', subtitled 'Median of five trials, best of three classifier architectures and three feature sets. Higher means the topic was easier to pick out of encrypted traffic.' A ranked bar list of ten models: Mistral Large 100.0%, Microsoft-hosted DeepSeek-R1 99.9%, Grok 3 Mini Beta 99.9%, GPT-4o mini 98.6%, GPT-4.1 mini 98.0%, Claude 3 Haiku 91.2%, Microsoft-hosted GPT-4o 90.1%, Gemini 2.5 Pro 84.0%, Nova Pro 77.5%, Phi-3.5-mini-MoE instruct 76.9%. A note reads: the authors attribute the Gemini and Nova results in part to token batching, which those providers do for serving efficiency, not as a defence; Gemini 2.5 Pro averaged about 17.7 tokens per network event and Gemini 1.5 Flash about 55.3. A footer cites arXiv:2511.03675, Table 1 and Table 2.

ความต้านทานที่อยู่ด้านล่างมีคำอธิบายที่ผู้เขียนเสนอแต่ไม่ได้พิสูจน์ การจัดกลุ่มโทเค็นหลายตัวให้เป็นเหตุการณ์เครือข่ายเดียวทำให้โครงสร้างละเอียดที่ตัวจำแนกอาศัยอยู่ยุบตัวลง และโมเดลที่จัดกลุ่มหนักที่สุดก็ได้ผลแย่ที่สุดในการโจมตี — Gemini 2.5 Pro ที่ประมาณ 17.7 โทเค็นต่อเหตุการณ์ และ Gemini 1.5 Flash ที่ประมาณ 55.3 บทความระบุว่าเป็นไปได้ว่าผู้ให้บริการเหล่านั้นจัดกลุ่มเพื่อประสิทธิภาพในการให้บริการและอัตราการรีเฟรชของส่วนติดต่อผู้ใช้ มากกว่าการป้องกันช่องทางข้างเคียง และการจัดกลุ่มเพียงอย่างเดียวยังไม่เพียงพอ: โมเดลเดียวกันนั้นยังคงมีความเสี่ยงมากในการคาดการณ์แบบ 10,000 ต่อ 1 ยังมีช่องว่างอีกประการหนึ่งที่บทความไม่ได้อธิบาย โมเดลเดียวกันเมื่อให้บริการจากสองที่ได้คะแนนต่างกัน — GPT-4o mini ผ่าน OpenAI ที่ 98.6% และผ่าน Microsoft ที่ 93.4%, GPT-4o ที่ 90.1% ผ่าน Microsoft — ซึ่งชี้ไปที่สแต็กการให้บริการมากกว่าค่าน้ำหนัก แต่บทความไม่ได้เสนอสาเหตุ

ตัวเลข 10,000 ต่อ 1 เป็นตัวเลขที่มีแนวโน้มถูกตีความผิดมากที่สุด มันเป็นการคาดการณ์จากการทำงานบนชุดทดสอบที่ฉายไปยังสายบทสนทนาในจินตนาการจำนวน 10,000 ครั้ง ซึ่งมีหนึ่งครั้งเกี่ยวกับหัวข้อเป้าหมาย ไม่ใช่การวัดทราฟฟิกจริง ภายใต้ตัวเลขนี้ โมเดล 17 จาก 28 ตัวไปถึงความแม่นยำ (precision) 100% ในจุดใดจุดหนึ่งระหว่างรีคอลล์ 5% ถึง 20% หมายความว่าเมื่อตัวจำแนกยกธงขึ้นมา มันถูกต้อง แลกกับการพลาดเป้าหมายส่วนใหญ่ ทั้งสองเอกสารหลักระบุปริมาณที่มันจับได้ต่างกัน: บทคัดย่อ arXiv กล่าวว่าผู้เขียนกู้คืนบทสนทนาเป้าหมายได้ 5–20% ที่ความแม่นยำ 100% ขณะที่บล็อก Microsoft กล่าวว่า 5–50% ทั้งสองเป็นการคาดการณ์ต่อยอด และทั้งสองเอกสารก็ระบุเช่นนั้น

ผู้ให้บริการเปลี่ยนแปลงอะไร

การเปิดเผยเริ่มต้นในเดือนมิถุนายน 2025 เมื่อนักวิจัยแจ้งผู้ให้บริการโมเดลภาษาจำนวน 28 ราย พร้อมคำอธิบายทางเทคนิคและการสาธิตแนวคิดพิสูจน์ได้ (proof-of-concept) เมื่อมีการร้องขอ ภายในเวลาที่เผยแพร่ มีสี่รายที่ส่งมอบบางสิ่งออกมาแล้ว OpenAI เพิ่มฟิลด์การทำให้สับสน (obfuscation field) ให้กับการตอบกลับแบบสตรีม — สตริงข้อความความยาวสุ่มที่ต่อท้ายการตอบกลับแต่ละครั้ง เพื่อให้ความยาวโทเคนไม่สัมพันธ์กับความยาวแพ็กเก็ตอีกต่อไป — และ Microsoft Azure ก็ทำแบบเดียวกัน บล็อกระบุว่า Microsoft ตรวจสอบแล้วว่าเวอร์ชันของ Azure ลดประสิทธิภาพของการโจมตี "ลงถึงระดับที่เราถือว่าไม่ใช่ความเสี่ยงในทางปฏิบัติอีกต่อไป" Mistral เพิ่มพารามิเตอร์ที่เรียกว่า p ซึ่งมีผลในการปกปิดคล้ายกัน xAI ได้รับเครดิตว่าปรับใช้มาตรการป้องกันโดยไม่มีการอธิบายต่อสาธารณะว่าเปลี่ยนแปลงอะไรไป บทความวิจัยเพิ่มส่วนที่บล็อกไม่ได้กล่าวถึง: OpenAI และ xAI ถูกบันทึกว่าซ่อมแซมในเดือนสิงหาคม 2025, Mistral ในเดือนกันยายน และ Microsoft ในเดือนตุลาคม หลังจากประเมินความเสี่ยงว่าอยู่ในระดับปานกลาง ขณะที่ผู้ให้บริการรายอื่นปฏิเสธที่จะปรับใช้การแก้ไข และหลายรายไม่ตอบกลับการติดตามซ้ำหลายครั้ง บทความวิจัยยังระบุด้วยว่าผลลัพธ์ทั้งหมดถูกเก็บรวบรวมก่อนที่การแก้ไขของผู้ขายรายใดจะเปิดตัว และการเผยแพร่ถูกเลื่อนออกไปถึงเดือนพฤศจิกายนเพื่อให้ผู้ขายที่ยินดีมีเวลาปรับใช้

นักวิจัยยังทดสอบมาตรการป้องกันเหล่านั้นด้วยตนเอง บนโมเดลที่ทั้งเปราะบางสูงและดื้อต่อการบรรเทา การเติมแพดดิ้งแบบสุ่มลด AUPRC จาก 97.5% เหลือ 92.9% การรวมห้าโทเคนต่อเหตุการณ์เป็นชุดลดจาก 98.2% เหลือ 94.8% และแพ็กเก็ตสัญญาณรบกวนที่ถูกฉีดเข้าลดจาก 98.1% เหลือ 93.3% — ลดลง 3.5 ถึง 4.8 จุดเปอร์เซ็นต์ โดยการฉีดแพ็กเก็ตมีต้นทุนแบนด์วิดท์เป็นสองถึงสามเท่า ไม่มีวิธีใดในสามวิธีนี้กำจัดช่องทางได้ ซึ่งเป็นเหตุผลว่าทำไมการแก้ไขที่นำไปใช้จึงถูกอธิบายว่าเป็นการบรรเทา มากกว่าการซ่อมแซม

An HTML timeline card titled 'Disclosure to publication, in six dates', subtitled 'The attack was reported to vendors five months before anyone outside them could read about it.' Six entries: June 2025, responsible disclosure begins with 28 language model providers; August 2025, OpenAI and xAI deploy fixes, OpenAI by appending a random-length obfuscation string to each streamed response; September 2025, Mistral adds a parameter named p; October 2025, Microsoft assesses the risk as moderate and fixes Azure-hosted models; 5 November 2025, arXiv:2511.03675 published; 7 November 2025, Microsoft Security Blog post published, the date the archive records for the incident. A footer cites arXiv:2511.03675 section 8 and the Microsoft Security Blog of 7 November 2025.

สิ่งที่ได้รับการยืนยันแล้ว และสิ่งที่ยังไม่ได้รับการยืนยัน

ยืนยันแล้ว และใครก็ตรวจสอบได้: บทความวิจัยและโค้ดเก็บข้อมูลของบทความนั้นเป็นสาธารณะ กลไกนี้เป็นผลสืบเนื่องมาจากพฤติกรรมการเข้ารหัสลับและการสตรีมที่ได้รับการบันทึกไว้ และมาตรการบรรเทาผลกระทบของผู้ให้บริการสี่รายที่ระบุชื่อก็มีอยู่ใน API ของผู้ให้บริการเอง ได้แก่ ฟิลด์ obfuscation และพารามิเตอร์ที่ชื่อ p การยืนยันผลการค้นพบนี้เองนั้นบางกว่าที่ปริมาณการรายงานข่าวบ่งชี้ The Hacker News, SecurityWeek, Security Affairs และ Tech Xplore ต่างรายงานเรื่องนี้ระหว่างวันที่ 8 ถึง 11 พฤศจิกายน 2025 และทุกรายงานที่ฉันอ่านจนจบต่างพรรณนาการทดลองของทีม Microsoft ทีมเดิมจากพรีพรินต์ฉบับเดิมซ้ำอีกครั้ง แทนที่จะทำการทดลองซ้ำ เช่นเดียวกันกับรายงานข่าวเพิ่มเติมในวันนั้นจาก SC Media, Cybernews, TechRadar, CSO, iTnews และ CX Today ซึ่งฉันเห็นแต่ไม่ได้อ่านจนจบ ฉันไม่พบการทำซ้ำการโจมตีอย่างเป็นอิสระที่เผยแพร่แล้ว ซึ่งเป็นข้อจำกัดในสิ่งที่การรายงานข่าวเพิ่มเข้ามา มากกว่าจะเป็นการหักล้างผลการค้นพบ

ยังไม่เป็นที่ยืนยันว่า มีใครเคยใช้สิ่งนี้กับบทสนทนาจริงหรือไม่ ไม่ปรากฏเหยื่อ ไม่ปรากฏองค์กร ไม่ปรากฏประเทศ และไม่ปรากฏจำนวนใด ๆ ทั้งในเอกสารต้นทางหรือในสื่อที่ตรวจทานสำหรับบทความนี้ และบันทึกในคลังข้อมูลก็ไม่มีการบันทึกถึงความเสียหายจริง ซึ่งสอดคล้องกับแหล่งข้อมูลมากกว่าจะเป็นช่องว่างของแหล่งข้อมูล ในทำนองเดียวกัน ยังไม่เป็นที่ยืนยันว่า การโจมตีนี้คงสภาพได้ดีเพียงใดภายใต้สภาวะเครือข่ายจริง เนื่องจากตัวเลขทุกตัวมาจากการเก็บข้อมูลแบบควบคุมในหัวข้อเดียว; ว่าบทสนทนาหลายรอบมีพฤติกรรมตามที่ผู้เขียนคาดหวังหรือไม่ ซึ่งผู้เขียนระบุว่าไม่ได้ทดสอบ; และว่าการรับส่งข้อมูลของผู้ให้บริการที่ไม่ตอบสนองมีพฤติกรรมอย่างไรในปัจจุบัน เนื่องจากไม่มีสิ่งใดที่เผยแพร่ตั้งแต่เดือนพฤศจิกายน 2025 ที่ระบุว่าพวกเขาเปลี่ยนใจหรือไม่

รายละเอียดการอ้างอิงประเด็นหนึ่งควรกล่าวให้ชัดเจน แหล่งที่มาของบันทึกในคลังเองคือดัชนีข่าวสารด้านความมั่นคงปลอดภัยของ AI ขององค์การส่งเสริมเทคโนโลยีสารสนเทศแห่งญี่ปุ่น ซึ่งเป็นบทสรุปภาษาญี่ปุ่นที่ปรับปรุงอย่างต่อเนื่อง สรุปข่าวสารสาธารณะ และมีข้อจำกัดความรับผิดแบบถาวรที่ระบุว่าไม่รับรองความถูกต้องของสิ่งที่ตนสรุป ฉบับเดือนธันวาคม 2025 ของข่าวสารดังกล่าว ซึ่งฉันดาวน์โหลดและอ่านทั้งหมด ไม่มีรายการเกี่ยวกับ Whisper Leak; หัวข้อสรุปแปดหัวข้อของฉบับนั้น ได้แก่ รายงานเอเจนต์ GTG-1002 ของ Anthropic, การโจมตีแบบ indirect prompt injection ต่อเอเจนต์, การโจมตีต่อการพัฒนาที่ใช้ AI ช่วย, ช่องโหว่ของ MCP, ช่องโหว่ของระบบ AI, ความล้มเหลวด้านความน่าเชื่อถือของ AI, การใช้ AI อย่างประมาทเลินเล่อ และ AI สำหรับความมั่นคงปลอดภัย เอกสารเชิงเนื้อหาที่รองรับบันทึกนี้จึงเป็นโพสต์บล็อกของ Microsoft ลงวันที่ 7 พฤศจิกายน และ arXiv:2511.03675 ซึ่งทั้งสองอ่านครบถ้วนสำหรับบทความนี้ และการที่รายการในข่าวสารขาดหายไปเป็นข้อเท็จจริงเกี่ยวกับการอ้างอิงของบันทึก มากกว่าจะเป็นข้อกังขาต่อข้อค้นพบ

สิ่งที่ผู้อ่านยังทำได้เกี่ยวกับเรื่องนี้

คำแนะนำของ Microsoft เองนั้นสั้นและไม่ได้แสร้งว่าจะแก้ปัญหานี้ได้: หลีกเลี่ยงการพูดคุยเรื่องที่มีความอ่อนไหวสูงกับแชทบอทขณะอยู่ในเครือข่ายที่ไม่น่าเชื่อถือ ใช้ VPN เพื่อเป็นชั้นป้องกันระหว่างการรับส่งข้อมูล เลือกใช้ผู้ให้บริการที่ได้ดำเนินมาตรการบรรเทาความเสี่ยงแล้ว และใช้โหมดไม่สตรีมมิงหากผู้ให้บริการมีให้ เนื่องจากสตรีมมิงคือกลไกที่ทำให้เกิดการเปิดเผยข้อมูล ประเด็นเชิงโครงสร้างที่อยู่เบื้องหลังคือ การเปิดเผยข้อมูลในที่นี้เป็นคุณสมบัติของสแต็กการให้บริการของผู้ให้บริการ ไม่ใช่ของการตั้งค่าของผู้ใช้ — บริการสองรายที่รันน้ำหนักโมเดลเดียวกันอาจอยู่คนละสุดของตารางด้านบน ขึ้นอยู่กับวิธีการแบตช์และสิ่งที่พวกเขาเติมต่อท้ายสตรีม

สำหรับผู้ให้บริการ ข้อสรุปของนักวิจัยเองคือข้อสรุปที่ชวนอึดอัด: การป้องกันทุกรูปแบบที่พวกเขาทดสอบล้วนแลกสมรรถนะการสตรีมหรือแบนด์วิดท์บางส่วน กับการลดช่องทางดังกล่าวได้เพียงบางส่วน ซึ่งช่องทางนี้มีอยู่เพราะคำตอบถูกสร้างและส่งทีละโทเคน Whisper Leak ไม่มีแพตช์ในความหมายเดียวกับที่บั๊กด้านความปลอดภัยของหน่วยความจำมีแพตช์ มันมีชุดการตัดสินใจในการให้บริการ และการวัดว่าการตัดสินใจแต่ละอย่างแลกมาได้มากน้อยเพียงใด

© 2026 OrcaRouter

สำหรับผู้ให้บริการ

ให้บริการแพลตฟอร์มการอนุมานอยู่หรือไม่ นำโมเดลของคุณขึ้น OrcaRouter

[email protected]

เข้าร่วมคอมมูนิตี้ของเรา

Discord[email protected]XLinkedInGitHubYouTube