Anthropic 사용자 액세스 제한 및 모델 학습 정책
최근 계정 제한 개요
사용자들은 Anthropic이 더 큰 모델을 학습시키거나 연구 자동화를 수행하는 것으로 간주되는 계정을 차단하거나 등급을 낮추는 엄격하고 자동화된 정책을 점점 더 강화하고 있다고 보고하고 있습니다. 보고서에 따르면 사용자의 워크플로우가 Reinforcement Fine-Tuning (RFT) 또는 Supervised Fine-Tuning (SFT)과 같은 작업에 관여할 때 세션 종료, 기능 등급 하락 또는 계정 차단에 직면하고 있습니다. 이러한 조치는 Anthropic의 모델을 사용하여 잠재적인 경쟁자를 구축하는 것을 방지하기 위해 설계된 공격적인 내부 분류기에 의해 주도되는 것으로 보입니다.
커뮤니티 정서 및 우려 사항
비평가들은 이러한 제한이 상당한 이중 잣대를 나타낸다고 주장합니다. 많은 사용자는 기업들이 방대한 양의 스크랩된 공개 데이터를 기반으로 기초 모델을 구축하면서 동시에 사용자가 동일한 모델의 출력을 학습하거나 증류(distilling)하는 것을 막는 아이러니를 지적합니다. 이러한 "요새 정신(fortress mentality)"은 합법적, 비상업적 또는 독립적인 연구를 위해 이러한 도구에 의존하는 전문 연구원과 개발자들 사이에서 광범위한 좌절감을 불러일으켰습니다.
"증류 방지 캠페인은 이중 잣대의 정점입니다. 당신들은 오픈 웹(책, 코드, 포럼, 다른 모든 사람들의 작업물)을 학습하면서, 다른 사람들이 당신들의 출력을 대규모로 학습하는 것은 금지합니다. 해자를 보호하는 것은 별개의 문제이지만, 스크랩된 지식 위에 서서 도덕적 우위를 점하려는 것은 또 다른 문제입니다." — Jiahao Shao
기술적 및 운영적 영향
윤리적 우려 외에도 사용자들은 모델이 기술적 작업에 사용하기가 점점 더 어려워지고 있다고 보고하고 있습니다. 보고된 내용은 다음과 같습니다:
- 일상적인 기술 작업에 대한 거부: 사용자들은 모델이 제어된 로컬 환경에서도 "안전" 또는 "사이버 보안" 문제를 이유로 웹사이트 로그인, XHR 요청 실행 또는 자격 증명 처리와 같은 작업을 수행하기를 자주 거부한다고 지적합니다.
- 일관성 없는 규정 준수: 최신 모델 버전(예: Opus 5.5)이 이전 버전보다 훨씬 더 제한적이어서 사용자가 작업을 완료하기 위해 이전 버전으로 되돌려야 하는 경우가 늘고 있습니다.
- 지리적 및 인프라 마찰: 일부 관찰자들은 VPN을 통해 또는 서비스가 공식적으로 제한된 지역에서 이러한 서비스에 액세스하는 사용자가 자동화된 보안 플래그를 트리거하여 계정 플래그 지정 비율이 높아질 수 있다고 제안합니다.
오픈 및 로컬 대안으로의 전환
이러한 제한적인 관행에 대응하여 많은 개발자가 오픈 웨이트 모델과 로컬 인프라로의 전환을 옹호하고 있습니다. 영향을 받는 사용자들 사이의 합의는 단일하고 독단적이며 게이트키핑된 공급자에 대한 의존이 상당한 운영 위험을 초래한다는 것입니다.
"만약 당신의 설정이 Claude Code를 astra를 실행하는 Pi로 즉시 교체하고 작업을 계속할 수 없다면, 당신은 곤경에 처할 것입니다... 항상 최소 두 개의 하네스를 실행하고, 그것들이 교체 가능한지 확인하십시오." — Hacker News user
커뮤니티의 많은 사람들은 AI 개발의 미래가 중앙 집중식 공급자의 가치 체계와 자의적인 규칙에 "포획"되지 않도록 이식성과 표준화를 우선시해야 한다고 주장합니다. 지배적인 정서는 이러한 기업들이 "요새 정신"을 유지하는 한, 사용자들이 자신의 연구 및 개발 워크플로우에 대한 통제권을 유지하기 위해 로컬 LLM 설정으로 계속 이동할 것이라는 점입니다.
Sources
관련
- Dispatch
- Dispatch
- Dispatch
- Dispatch
- Dispatch