De kinesiska AI-utvecklarna DeepSeek och Moonshot AI förlitade sig starkt på utdata från OpenAI:s GPT-6 Astra-modell för att träna sina senaste system, enligt en rapport från The Information som publicerades i onsdags och bärs av Reuters. Rapporten citerar personer med direkt kännedom om saken och betonar att den påstådda användningen av Astra-utgångar inte har fastställts oberoende.
Om de är korrekta skulle påståendena placera OpenAI i centrum för samma destillationstvist som redan har snärjt sin främsta rival. För läsare som spårar AI-nyheter om modelltävlingar och träningsmetoder landar historien bara tre månader efter att Anthropic offentligt anklagade samma två kinesiska laboratorier – tillsammans med Alibaba – för att destillera sina Claude-modeller.
Vilka modeller är inblandade?
Informationens rapportering namnger två specifika system. Moonshot AI:s Kimi K3.1 Pro, som släpptes förra veckan, och DeepSeeks uppgraderade V4.1-Flash 1017, som lanserades den 17 oktober, sägs ha gynnats av destillation med OpenAI:s frontiermodell. Varken DeepSeek eller Moonshot har bekräftat denna praxis, och själva rapporten varnar för att användningen av Astra-utgångar inte har fastställts oberoende.
Destillation, i branschens användning, innebär att man tränar en modell på resultatet av en mer kapabel modell så att eleven lär sig att reproducera lärarens svar. Istället för att betala för varje kapacitet genom en oberoende utbildningskörning kan ett labb fråga efter ett ledande system och använda dess svar som en högkvalitativ träningssignal - billigare, snabbare och allt mer central för hur konkurrenskraftiga modeller byggs.
Ett mönster av anklagelser — och nya försvar
Rapporten kommer mitt i ett år av eskalerande påståenden om modellutvinning. I september sa den amerikanska regeringen att det pågick en storskalig destillationskampanj av kinesiska företag mot amerikanska AI-företag - ett uttalande The Information Notes är separat från dess nya rapportering om GPT-6 Astra specifikt. Anthropics anklagelse i augusti om att Alibaba, DeepSeek och Moonshot hade destillerat Claude-modeller satte mallen för den aktuella kampen.
Försvaret hårdnar också. Tidigare denna månad sa Anthropic att nya åtgärder utformade för att förhindra rivaler från att kopiera Claudes kapacitet hade minskat data som skördats genom så kallade destillationsattacker med ungefär 90 till 99 procent. Figuren antyder att övervakning av frågemönster, begränsning av åtkomst och hastighetsbegränsande misstänkt aktivitet kan mätbart höja kostnaden för extraktion – även om skyddsåtgärder bara fungerar tills angripare anpassar sig.
OpenAI har inte sagt om det upptäckt liknande mönster mot GPT-6 Astra eller om det planerar policyändringar som svar på rapporten. Företagets användarvillkor, liksom konkurrenternas, begränsar användningen av utdata för att träna konkurrerande modeller.
Vad destillation kan och inte kan göra
Den tekniska verkligheten är mer nyanserad än vad rubrikerna antyder. Utgångar kan ge användbara träningssignaler, men de överför inte en modells arkitektur, dess träningsdata, dess interna parametrar eller alla dess möjligheter. Destillationens effektivitet beror på kvaliteten och mångfalden hos de skördade exemplen och på utbildningsprocessen som innehåller dem. En destillerad modell kan matcha en lärare på riktmärken som liknar de insamlade data samtidigt som den förblir svagare någon annanstans.
Den nyansen skär åt båda hållen. Det betyder att en rapporterad destillationskampanj inte avslöjar hur mycket av en rivaliserande modells prestanda som faktiskt härrör från utvinning, om användarvillkoren överträddes eller om de resulterande funktionerna skulle ha uppstått ändå. Men det betyder också att storskalig skörd kan ge en konkurrent en snabbare väg till specifika kapaciteter - särskilt kodning och resonemang, där klyftan mellan frontier och snabbföljande modeller har minskat hela året.
En svår balansgång för branschen
Ingendera sidan av denna tvist ser praxis som enkel. Destillation i sig är inte i sig olämpligt – AI-utvecklare använder rutinmässigt tekniker som överför kunskap mellan sina egna modeller – och bred tillgång till ledande system är det som gör att startups, forskare och företag överhuvudtaget kan bygga produkter. Spänningen uppstår i stor skala: obegränsad åtkomst gör det mycket lättare för en tredje part att samla in stora datauppsättningar av utdata för ändamål som leverantören aldrig godkände.
De skyddsåtgärder som leverantörerna använder som svar bär sina egna kostnader. Att övervaka ovanliga frågemönster, begränsa åtkomsten till vissa funktioner, införa användningsgränser och undersöka massinsamling höjer alla priset för extraktion – men de skapar också operativ friktion för legitima utvecklare och företag som är beroende av stadig API-åtkomst. Branschen förhandlar i själva verket var legitim modellutveckling slutar och otillåten utvinning börjar, en policyändring i taget.
Ekonomin bakom kampen
Anledningen till att labbvården är aritmetisk. Att träna en frontiermodell kostar miljarder dollar i beräkning och forskning. Om en konkurrent kan reproducera viktiga förmågor genom att systematiskt söka efter en befintlig modell till API-priser, minskar den ekonomiska fördelen med att bygga gränssystemet – och incitamentet att fortsätta bygga det krymper med det. Den logiken förklarar varför amerikanska laboratorier har ägnat 2026 åt att hårdna sitt försvar, och varför varje ny anklagelse landar mindre som skvaller än som en datapunkt i ett pågående ekonomiskt krig.
För kinesiska utvecklare är kalkylen annorlunda. Tillgången till de mest avancerade chipsen är begränsad, och destillation erbjuder en väg till konkurrenskraftig prestanda utan att matcha beräkningsbudgetar. Informationens rapport antyder att vägen gick genom OpenAI:s eget flaggskepp - samma anklagelse, riktad mot ett annat mål.
---
Stay ahead of AIFå de senaste AI-nyheterna, analyserna och genombrotten – allt på ett ställe.
Läs mer AI-nyheter →
