По информации The Information, DeepSeek и Moonshot AI применяли GPT-6 Astra в качестве источника данных для обучения собственных моделей: Moonshot выпустила Kimi K3.1 Pro на прошлой неделе, а DeepSeek представила обновлённую версию V4.1-Flash 17 октября. Источник указывает, что речь идёт именно об обучении на ответах более мощной модели через её ответы, а не о создании новой модели с нуля. Такие данные приводятся со ссылкой на людей, знакомых с ситуацией.

Метод, описанный в материалах, называется дистилляцией: разработчик отправляет крупному языковому устройству множество запросов, собирает ответы и затем использует их для обучения своей системы. По словам источников, этот подход позволяет частично воспроизвести возможности передовой модели без значительных затрат на самостоятельное обучение.

Фоновая ситуация осложняется тем, что OpenAI ранее обвиняла Moonshot в применении аналогичных методов: по сообщениям от 30 сентября связанные с Kimi пользователи якобы организовали кампанию по извлечению скрытых рассуждений из ответов её моделей. OpenAI заявила, что обнаружила активность более чем 15 000 пользователей и к 28 июля заблокировала соответствующие учётные записи, прекратила кампанию и передала данные другим разработчикам.

Новый доклад усиливает дискуссию вокруг практик китайских компаний, конкурирующих с американскими разработчиками. По мнению OpenAI, Anthropic и Google, дистилляция позволяет получать доступ к возможностям передовых моделей без крупных инвестиций. Также подчеркивалась общая тревога по поводу попыток доступа к данным из американских ИИ-моделей со стороны китайских компаний.

По данным участников индустрии, обе китайские модели показали устойчивые результаты во внутренних тестах: Moonshot заявляет, что Kimi K3.1 Pro в одном тесте обошла GPT-6 Astra по программированию, а DeepSeek позиционировала V4.1-Flash как более дешёвую альтернативу западным моделям. Однако независимое подтверждение результатов до сих пор отсутствовало.

Эксперты отмечают, что, если сведения The Information подтверждаются, ситуация иллюстрирует проблему, с которой сталкиваются ведущие разработчики: пользовательские модели могут служить источником обучающих данных для конкурентов, стремящихся сократить технологическое отставание. Это подчёркивает необходимость новых мер защиты и прозрачности в методах обучения.