Anthropic против Zhipu AI: спор о «дистилляции» моделей вышел на новый уровень
На Aspen Security Forum глава отдела политики национальной безопасности Anthropic Tarun Chhabra публично обвинил китайскую компанию Zhipu AI в том, что её модель GLM-5.2 обучена на ответах Claude и моделей OpenAI. Это первый случай, когда Anthropic назвала Zhipu поимённо — до этого компания указывала на DeepSeek, Alibaba, Moonshot AI и MiniMax AI.
В чём именно обвинение
Речь идёт о практике, которую в индустрии называют «дистилляцией» (distillation) — переносе возможностей крупной, дорогой в обучении модели на более компактную и дешёвую через обучение на её выходных данных. Технически это выглядит просто: если задавать модели-источнику миллионы вопросов и собирать ответы, на этом массиве можно обучить собственную модель, которая перенимает значительную часть поведения оригинала — без необходимости повторять весь путь исследований и разработки с нуля.
Проблема в том, что условия использования большинства коммерческих ИИ-моделей прямо запрещают использовать их ответы для обучения конкурирующих систем. Именно на это и указывает Anthropic: обвинение не в том, что Zhipu создала конкурентоспособную модель, а в том, что она получила часть этой конкурентоспособности в обход условий использования Claude и моделей OpenAI.
Цифры, которые приводит Anthropic
По оценке Anthropic, без практики несанкционированной дистилляции разрыв между американскими и китайскими лабораториями в разработке продвинутых ИИ-моделей составлял бы около полутора лет. С учётом дистилляции этот разрыв, по их подсчётам, сократился до 6–9 месяцев.
Это не первый подобный случай: ранее Anthropic заявляла, что DeepSeek, Moonshot AI и MiniMax AI использовали около 24 000 фиктивных аккаунтов, чтобы сгенерировать более 16 миллионов обменов запросами с Claude — судя по всему, именно с целью собрать датасет для обучения собственных моделей.
Почему это сложнее, чем просто «кража»
Здесь важна честная оговорка: дистилляция как технический приём не является чем-то незаконным сама по себе — исследователи давно используют её для сжатия моделей и передачи знаний между архитектурами в легитимных целях. Граница проходит там, где данные для дистилляции получают в нарушение условий использования конкретного сервиса — то есть вопрос не в технологии, а в том, как именно был получен обучающий материал.
Это делает подобные обвинения принципиально сложными для внешней проверки: доказать, что конкретная модель обучена на выводах конкретного конкурента, а не просто показывает похожее поведение благодаря общим источникам данных и архитектурным решениям, — задача не из простых, и у самой Anthropic пока нет универсального способа предъявить это как неопровержимый факт, а не как обоснованное подозрение.
Что это значит на практике
Для конечного пользователя вся эта история — не повод для беспокойства о безопасности данных: речь идёт о споре между компаниями по поводу интеллектуальной собственности и условий использования API, а не об утечке персональной информации. Но для рынка это значимый сигнал: ускоряющаяся гонка на рынке больших языковых моделей всё больше зависит не только от того, кто вложил больше вычислительных мощностей в обучение с нуля, но и от того, кто эффективнее использует уже существующие модели конкурентов как источник обучающих данных — легально или нет.
Похоже, что споры вокруг дистилляции моделей — не разовый инцидент, а новая, устойчивая линия конкуренции между разработчиками ИИ, и в ближайшие годы таких обвинений, вероятно, станет больше, а не меньше.