1 美元击穿匿名：ETH 与 Anthropic 引爆隐私危机

据 Woofun AI 消息，在线匿名保护的脆弱性被彻底暴露， Zurich 与 联合发布的 LLM 去匿名化研究引发社区热议，证实了匿名账户在自动化流程面前已无秘密可言。

这项由 、、、、 和 共同撰写的论文《Large-scale online deanonymization with LLMs》，于 2 月 18 日首次发布于 ，并随后被收录进第 35 届 会议论文集。

其中 Carlini 就职于 的开发方 Anthropic，其余作者分别隶属于 ETH Zurich 和 AI 安全研究机构 。该研究构建了一套自动化 LLM 流程，能够仅凭公开内容将匿名发帖与真实世界身份关联起来，其核心机制被拆解为四个阶段：Extract（提取）、Search（搜索）、Reason（推理）和 Calibrate（校准）。

首先，语言模型从原始帖子中提取职业蛛丝马迹、所在地或独特措辞习惯等身份线索；随后，语义嵌入技术将最多 8.9 万名候选者的大池子缩减为一份短名单；接着，推理模型对最匹配对象进行评分，判断两个账号是否属于同一人；最后，Calibrate 步骤让流程在不确定时选择弃权，从而减少误报。整个过程运行在现成工具之上，包括网络搜索、嵌入模型以及诸如 的大模型，且不涉及窃取数据或入侵服务器，仅读取任何人都能看到的公开内容。

此前的去匿名化攻击，例如 2008 年对 匿名评分数据的再识别，依赖的是结构化数据，而此次方法则突破了这一限制。为了评估该方法，团队筛选出 338 名 用户，其个人简介指向 页面，每个人都拥有已知的真实身份作为答案。仅输入评论和发帖内容，该智能体正确指认了 226 人，在 90% 精确度下命中率约为 67%。它做出 25 次错误指认，并对 86 个账号选择放弃。在论文更大规模的匹配测试中，传统的非 LLM 基线方法准确率接近于零。

Woofun AI 整理数据显示，全部实验的总成本不到 2,000 美元，折算下来每个画像仅 1 至 4 美元，其中最低成本低至每人 1 美元。另有两组数据集用于验证：一组跨两个不同的电影社区匹配 用户，另一组把单个 Reddit 用户的历史记录拆分为两个时间段，再尝试将其重新拼接起来。在每一项测试中，LLM 方法都以大幅优势击败旧有技术。这篇 2 月发表的论文本周在 和 Reddit 上再度走红，其揭示的低成本高精度去匿名化能力令人震惊。

作者列举了这类能力的风险场景：政府针对记者或活动人士；企业构建越来越精准的广告画像；骗子为社交工程话术炮制个人档案。 在 2 月 24 日的一篇博客文章中写道：'这些信息的组合往往构成一个独一无二的指纹。'他补充说，如果一队聪明的调查员能够仅凭帖子识别出某个人，那么 LLM 智能体很可能也做得到，而且成本只会不断下降。研究者没有公开代码、提示词，也没有披露系统挖出的任何真实身份，该研究在发布前经过了 ETH Zurich 伦理委员会的审查。论文的结论是：'保护在线匿名用户的'实际模糊性'已不复存在。'这一结论强调了当前在线匿名保护机制的失效，以及 LLM 技术在身份关联方面的强大能力。