
Whisper Leak: โครงร่างของคำตอบที่เข้ารหัสก็เพียงพอที่จะเดาคำถามได้
- Googleใหม่Google: Gemini 4 Carbon2026-11-10$2.00 / $10.00 ต่อ 1 ล้านโทเค็น · 89 tok/s
- Anthropicใหม่Anthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 ต่อ 1 ล้านโทเค็น · 97 tok/s
- orcaใหม่Orca: OrcaC2 1.02026-11-079 tok/s
- Orcaใหม่OrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 ต่อ 1 ล้านโทเค็น · 88 tok/s
- Orcaใหม่OrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 134 tok/s
- Orcaใหม่OrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 ต่อ 1 ล้านโทเค็น · 88 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 122 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 69 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 91 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 44 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447ความฉลาด
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 194 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929ความฉลาด
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 ต่อ 1 ล้านโทเค็น · 123 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733ความฉลาด
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740ความฉลาด
- OrcaOrca: OrcaCyber Zero 1.52026-10-10$3.00 / $7.50 ต่อ 1 ล้านโทเค็น · 140 tok/s
- openaiOpenAI: GPT-6.1 Sol2026-09-2955ความฉลาด
- anthropicAnthropic: Claude Sonnet 5.52026-09-2855ความฉลาด
- typesafeTypeSafe: Jev 1.132026-09-24$0.04 / $0.00 ต่อ 1 ล้านโทเค็น · 189 tok/s
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

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%

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

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
