Les développeurs chinois d'IA DeepSeek et Moonshot AI se sont largement appuyés sur les résultats du modèle GPT-6 Astra d'OpenAI pour former leurs derniers systèmes, selon un rapport de The Information publié mercredi et repris par Reuters. Le rapport cite des personnes ayant une connaissance directe du sujet et souligne que l'utilisation présumée des sorties Astra n'a pas été établie de manière indépendante.
Si ces affirmations sont exactes, elles placeraient OpenAI au centre du même conflit de distillation qui a déjà pris au piège son principal rival. Pour les lecteurs qui suivent AI news sur la compétition de modèles et les pratiques de formation, l'histoire arrive trois mois seulement après qu'Anthropic a publiquement accusé les deux mêmes laboratoires chinois – ainsi qu'Alibaba – de distiller ses modèles Claude.
Quels modèles sont impliqués ?
Le rapport d'information nomme deux systèmes spécifiques. Le Kimi K3.1 Pro de Moonshot AI, sorti la semaine dernière, et le V4.1-Flash 1017 amélioré de DeepSeek, lancé le 17 octobre, auraient bénéficié d'une distillation utilisant le modèle frontière d'OpenAI. Ni DeepSeek ni Moonshot n'ont confirmé cette pratique, et le rapport lui-même prévient que l'utilisation des sorties Astra n'a pas été établie de manière indépendante.
La distillation, dans l'usage de l'industrie, signifie entraîner un modèle sur les résultats d'un modèle plus performant afin que l'élève apprenne à reproduire les réponses de l'enseignant. Au lieu de payer pour chaque fonctionnalité via une formation indépendante, un laboratoire peut interroger un système leader et utiliser ses réponses comme signal de formation de haute qualité – moins cher, plus rapide et de plus en plus central dans la construction de modèles compétitifs.
Un ensemble d'accusations — et de nouvelles défenses
Le rapport arrive au milieu d’une année de revendications croissantes concernant l’extraction de modèles. En septembre, le gouvernement américain a déclaré qu'il y avait une campagne de distillation à grande échelle menée par des entreprises chinoises contre les sociétés américaines d'IA – une déclaration que The Information Notes est distincte de son nouveau rapport sur GPT-6 Astra en particulier. L'accusation d'Anthropic en août selon laquelle Alibaba, DeepSeek et Moonshot avaient distillé des modèles Claude a établi le modèle du combat actuel.
Les défenses se durcissent également. Plus tôt ce mois-ci, Anthropic a déclaré que de nouvelles mesures destinées à empêcher les concurrents de copier les capacités de Claude avaient réduit d'environ 90 à 99 % les données collectées via des attaques dites de distillation. La figure suggère que la surveillance des modèles de requêtes, la restriction de l'accès et la limitation du débit des activités suspectes peuvent augmenter considérablement le coût de l'extraction, même si les mesures de protection ne fonctionnent que jusqu'à ce que les attaquants s'adaptent.
OpenAI n'a pas précisé s'il avait détecté des modèles similaires par rapport à GPT-6 Astra ou s'il prévoyait de modifier sa politique en réponse au rapport. Les conditions de service de l'entreprise, comme celles de ses concurrents, limitent l'utilisation des résultats pour former des modèles concurrents.
Ce que la distillation peut et ne peut pas faire
La réalité technique est plus nuancée que ne le suggèrent les gros titres. Les sorties peuvent fournir des signaux de formation utiles, mais elles ne transfèrent pas l'architecture d'un modèle, ses données de formation, ses paramètres internes ou chacune de ses capacités. L'efficacité de la distillation dépend de la qualité et de la diversité des exemples récoltés et du processus de formation qui les intègre. Un modèle distillé peut correspondre à un enseignant sur des critères qui ressemblent aux données récoltées tout en restant plus faible ailleurs.
Cette nuance va dans les deux sens. Cela signifie qu'une campagne de distillation signalée ne révèle pas dans quelle mesure les performances d'un modèle rival proviennent réellement de l'extraction, si les conditions de service ont été violées ou si les capacités qui en résulteraient auraient émergé de toute façon. Mais cela signifie également que la récolte à grande échelle peut offrir à un concurrent un accès plus rapide à des capacités spécifiques – en particulier le codage et le raisonnement, où l’écart entre les modèles frontières et ceux qui suivent rapidement s’est rétréci toute l’année.
Un équilibre difficile pour l'industrie
Aucune des parties dans ce différend ne considère la pratique comme simple. La distillation elle-même n’est pas en soi inappropriée – les développeurs d’IA utilisent régulièrement des techniques qui transfèrent les connaissances entre leurs propres modèles – et un large accès aux systèmes de pointe est ce qui permet aux startups, aux chercheurs et aux entreprises de créer des produits. La tension surgit à grande échelle : l’accès illimité permet à un tiers de collecter beaucoup plus facilement de grands ensembles de données de résultats à des fins que le fournisseur n’a jamais autorisées.
Les mesures de protection déployées par les prestataires en réponse entraînent leurs propres coûts. La surveillance des modèles de requêtes inhabituels, la restriction de l'accès à certaines fonctionnalités, l'imposition de limites d'utilisation et l'enquête sur la collecte groupée augmentent tous le prix de l'extraction, mais créent également des frictions opérationnelles pour les développeurs légitimes et les entreprises qui dépendent d'un accès constant aux API. En fait, l’industrie négocie là où se termine le développement de modèles légitimes et où commence l’extraction non autorisée, un changement de politique à la fois.
L'économie derrière le combat
La raison pour laquelle les laboratoires s’en soucient est arithmétique. La formation d’un modèle frontalier coûte des milliards de dollars en calcul et en recherche. Si un concurrent peut reproduire des capacités importantes en interrogeant systématiquement un modèle existant au prix de l’API, l’avantage financier de la construction du système frontière diminue – et l’incitation à continuer de le construire diminue avec lui. Cette logique explique pourquoi les laboratoires américains ont passé 2026 à renforcer leurs défenses, et pourquoi chaque nouvelle accusation apparaît moins comme un potin que comme une donnée dans une guerre économique imminente.
Pour les développeurs chinois, le calcul est différent. L'accès aux puces les plus avancées est restreint et la distillation offre une voie vers des performances compétitives sans correspondre aux budgets de calcul. Le rapport d'Information suggère que ce chemin a traversé le propre produit phare d'OpenAI – la même accusation, visant une cible différente.
---
Gardez une longueur d'avance sur l'IARecevez les dernières actualités, analyses et avancées en matière d'IA, le tout en un seul endroit.
Lire plus d'actualités sur l'IA →
