Anthropic指控三家中国公司蒸馏模型：闭源模型的护城河正在变薄

Anthropic在9月10日发布的一份报告中披露，阿里、月之暗面和DeepSeek被指持续对其模型开展大规模蒸馏活动，而且相关活动在最近几个月出现升级。这个消息的重点并不是又多了一起模型抄袭争议，而是头部模型公司开始把蒸馏从零散的技术尝试，视为一种需要系统应对的产业级竞争行为。

先说结论：蒸馏正在成为模型竞争的基础设施

模型蒸馏是指利用能力更强的教师模型生成回答、偏好或推理轨迹，再训练学生模型，让后者以更低成本获得接近教师模型的表现。它与直接复制模型参数不同，更像是让学生反复观察老师解题，最后把解题方法内化到自己的神经网络中。

蒸馏本身并不是“黑客攻击”，也不是天然违法的技术。公开数据、授权数据和自主生成数据都可以用于蒸馏；真正引发争议的是，学生模型是否通过自动化方式大量调用闭源模型，再把输出直接或间接用于训练商业竞品。

Anthropic此次披露的判断，指向的是后者。按照参考报道，Anthropic认为相关活动具有持续性，并且由中国人工智能公司开展，规模随着行业竞争加剧而扩大。虽然目前公开信息并未给出完整的样本数量、调用成本、训练数据比例和最终模型收益，但“多家公司、持续活动、大规模蒸馏”这几个关键词已经足够说明问题：模型输出本身，正在成为一种可被工业化采集的训练资源。

Anthropic到底披露了什么

Anthropic披露的是针对阿里、月之暗面与DeepSeek的模型蒸馏活动指控，而不是宣布三家公司复制了Claude的模型参数。这个区分很重要，因为参数窃取、提示词采集、输出蒸馏和训练数据侵权，在技术路径与法律责任上并不是同一件事。

从目前提供的报道信息看，Anthropic强调了三点。

• 相关活动具有持续性。 这不是一次性的研究实验，而是被Anthropic描述为持续发生的活动。
• 参与者包括多家中国AI公司。 报道点名阿里、月之暗面和DeepSeek，说明Anthropic关注的不是单个团队，而是更广泛的竞争态势。
• 活动规模在近几个月升级。 这意味着蒸馏可能已经从工程团队的局部尝试，演变为与模型训练、评测和产品迭代相结合的系统流程。

这些信息仍然存在明显边界。公开材料暂时没有完整披露每家公司的具体模型、访问时间、请求量、提示词模板、采集输出类型，也没有展示足以让第三方复核的全部证据。因此，读者不应把Anthropic的指控直接等同于已经被司法或监管机构认定的事实。更准确的说法是：Anthropic公开指称三家公司参与了相关活动，而这场争议仍需要当事方回应和更多可验证证据。

为什么闭源模型越来越难守住能力优势

闭源模型是指模型权重、训练细节或完整推理系统不向公众开放的模型。它的优势通常来自训练数据、算力规模、后训练流程、产品反馈和安全工程的组合，而不是一个单独的神秘算法。

过去，闭源模型公司可以把模型权重藏在服务器后面，把访问控制当作第一道防线。但蒸馏绕开了参数层面的直接接触：只要系统能够返回足够高质量的答案，竞争者就可以从输入输出关系中学习模型的行为边界。

这种方式不会完整复制教师模型，却可能复制最有商业价值的部分，包括：

1. 指令遵循能力。 学生模型可以通过大量任务样本学习教师模型如何理解复杂要求。
2. 回答风格与结构。 经过筛选的输出能够帮助模型学习更清晰的格式、更稳定的语气和更少的无效内容。
3. 代码与数学解题路径。 如果采集的是带有中间步骤或多轮修正的回答，学生模型可能获得部分推理行为。
4. 拒答与安全边界。 通过构造大量边界测试，训练者可以观察教师模型在哪些情况下拒绝、改写或继续回答。
5. 工具调用习惯。 在代理模型和工具使用场景中，输出还可能包含任务分解、函数选择与错误恢复模式。

换句话说，蒸馏不需要复刻Claude的全部能力，只需要把用户最常用、最愿意付费的那部分能力学走，就可能削弱闭源模型的差异化。

阿里、月之暗线与DeepSeek为何会被放在一起讨论

阿里、月之暗面和DeepSeek都处在中国大模型竞争的核心位置，但三者的产品路径、组织规模和模型生态并不完全相同。将它们放在同一条新闻中，并不意味着三家公司采用了相同方法，也不意味着每家公司承担相同程度的责任。

阿里拥有较完整的云计算、模型和企业客户体系，模型能力可以通过云服务、开发者平台和行业应用扩散。月之暗面以长上下文和消费级AI产品受到关注，产品反馈与模型迭代之间联系紧密。DeepSeek则凭借高性价比模型和开源生态，在开发者群体中获得了较高讨论度。

这三类公司共同面对一个现实：从零开始训练顶尖基础模型，需要巨额算力、数据工程和长期人才投入，而通过教师模型输出进行后训练，能够显著压缩试错周期。蒸馏的吸引力不一定在于让模型“瞬间变强”，而在于让团队以更低成本获得可用的指令跟随、代码生成和推理样本。

但低成本不等于没有代价。如果模型服务商按照调用量收费，持续采集高质量输出本身会形成不小的财务成本；如果服务商发现异常流量并采取限制措施，采集流程也会变得不稳定；如果训练数据来源被追溯，模型发布方还可能面对合同、版权、不正当竞争或商业秘密等多重争议。

这不是简单的“谁抄了谁”

把蒸馏争议简化为“开源对闭源”并不准确。开源模型同样可能使用其他模型生成的合成数据，闭源模型也可能使用公开论文、公开代码和授权数据进行训练。真正需要回答的是四个问题：数据从哪里来，是否获得授权，使用规模有多大，最终产品是否利用了被限制的服务能力。

第一，授权边界要清楚。 用户购买一个模型服务的访问权，通常不代表自动获得把所有输出用于训练竞争模型的权利，具体还要看服务条款、合同和适用法律。

第二，规模会改变性质。 少量人工评测与自动化批量采集不是一个概念。前者可能是正常的产品比较，后者则可能绕过访问限制，把商业服务变成低价数据生成器。

第三，输出是否包含受保护内容需要单独判断。 模型回答往往不是传统意义上的原始作品，但其中可能包含代码、长文本、机密信息或第三方内容，不能因为“是模型生成的”就自动排除风险。

第四，竞争关系会影响监管和诉讼判断。 当学生模型直接与教师模型争夺用户、开发者和企业订单时，服务条款、消费者权益和不正当竞争问题都会变得更加敏感。

对模型公司的直接影响：限制滥用会成为标配

Anthropic的披露可能推动模型公司进一步升级滥用检测。过去，平台主要关注提示词注入、恶意内容和账号盗用；今后，异常蒸馏行为本身可能成为独立的风险类别。

模型服务商可以从多个信号识别大规模蒸馏：请求频率是否长期稳定，提示词是否高度模板化，任务分布是否覆盖广泛能力，是否大量请求多轮推理、代码修正和安全边界测试，以及同一批账号是否在不同地区和网络环境之间切换。

不过，检测并不容易。企业客户也可能拥有大量自动化请求，评测机构也会批量测试模型，正常的代理产品还会产生复杂的多轮调用。过度拦截会误伤开发者，过度放行又可能让闭源模型变成竞争对手的训练后端。

因此，未来平台很可能采用更细的分层策略：普通对话保持开放，批量评测需要备案，高风险任务提高审计强度，涉及模型训练的使用场景则要求单独授权。对开发者而言，这意味着服务条款中的“禁止训练竞争模型”不再只是法律文本，而可能对应真实的流量识别和账户处置机制。

对开源模型的影响：蒸馏能加速追赶，但不能替代基础研究

蒸馏最适合解决的是后训练和产品化问题，而不是完全替代基础模型研发。一个学生模型即使通过高质量输出学会了复杂回答，也未必拥有教师模型同等的知识覆盖、长程稳定性、泛化能力和安全边界。

它还有一个明显风险：错误也会被蒸馏。 如果教师模型在事实、代码或推理上犯错，训练者没有足够强的筛选机制，就会把错误批量写入学生模型。多轮蒸馏甚至可能造成“模型退化”，让数据中的重复模式、偏差和幻觉不断累积。

因此，真正有竞争力的团队不会只靠抓取输出，而会把蒸馏样本与人工标注、真实用户反馈、可验证任务、执行结果和独立评测结合起来。对于数学、代码和工具调用，能够通过测试用例验证结果；对于开放问答和写作，则需要多模型交叉评审与人工抽检。

从这个角度看，蒸馏更像是加速器，而不是发动机。它可以缩短产品追赶时间，却不能自动提供稳定的基础能力，更不能解决数据治理、推理成本和商业化等问题。

开发者和企业用户应该关注什么

这起事件对普通开发者的最大启示，不是“以后不能做模型评测”，而是要把评测、数据生成和竞争性训练明确区分开。

• 进行内部质量评测时，保留测试目的、样本范围和访问记录。
• 使用模型输出生成训练数据时，检查服务条款是否允许，并记录数据来源。
• 不要把未经脱敏的客户信息、源代码、内部文档交给第三方模型。
• 对用于训练的输出进行去重、事实核验、版权筛查和安全过滤。
• 如果产品会大规模调用外部模型，应主动与服务商确认商业授权，而不是只看单次调用价格。

企业采购模型时，也需要重新审视“可用性”的定义。一个模型价格低、速度快，并不代表它适合做训练数据供应者；一个模型能力强，也不代表所有输出都可以被永久保存和再利用。未来合同中，数据保留期限、训练用途、审计权限、异常流量处理和模型蒸馏限制，可能与价格、上下文长度和延迟一样重要。

这场争议的真正变量：证据能否公开复核

Anthropic此次披露能否形成更大影响，取决于证据透明度。行业需要知道被指控的请求规模、时间窗口、模型版本、样本类型和行为模式，也需要看到如何排除正常评测、独立研究与普通用户使用。

如果只有公司声明，没有可复核的技术证据，舆论很容易滑向阵营化争论；如果能够公开经过脱敏的指标、攻击路径和检测方法，整个行业才有机会建立更清晰的行为边界。对被点名的公司而言，及时说明模型训练数据来源、是否使用相关服务、是否存在第三方团队行为，也比单纯否认更有说服力。

目前可以确认的是，模型蒸馏已经从研究论文中的技术概念，进入模型公司必须面对的商业安全问题。闭源模型的价值不再只由参数规模决定，服务商还要保护输出质量、访问模式和反馈数据；开源模型的竞争力也不再只是发布权重，而要证明训练流程可持续、数据来源合规、能力提升可验证。

OpenAI Hub判断

这起事件不会终结蒸馏，也不太可能让闭源模型重新获得绝对安全的能力壁垒。只要模型能够通过接口被访问，高质量输出就存在被系统化学习的可能。

真正会改变的是行业规则：大规模自动化采集会被更严格地识别，模型服务合同会更明确地区分评测与训练，开源社区也会更重视数据溯源和模型卡片。对开发者来说，最稳妥的做法不是假设“模型输出天然可以自由使用”，而是把授权、记录、筛选和审计作为模型工程的一部分。

Anthropic对阿里、月之暗面与DeepSeek的指控，最终是否会演变为公开证据、平台制裁或法律行动，仍有待后续信息。但这场争议已经提前回答了一个问题：下一阶段的大模型竞争，不仅是比谁训练出更强的模型，也是在比谁能更有效地保护模型能力、治理数据流动，并在追赶与合规之间找到可持续的边界。

参考来源

1. Hugging Face模型社区：用于了解开源模型、模型卡片与开发者生态的背景信息。
2. Hugging Face文档：用于了解模型发布、数据集与模型生态中的基础概念。

说明：本文核心事件依据题目提供的TechCrunch报道整理。由于题目要求文末链接仅保留指定国内可访问域名，该报道原始链接未在文末重复列出。