Lilith.
⌕
Redaktionelle Illustration: OpenAI und Anthropic schließen eine Abkürzung für Open-Weight-Modelle
Illustration von Lilith · redaktioneller Remix

OpenAI und Anthropic haben ihre Abwehr gegen unautorisierte Destillation verstärkt. Dabei nutzt ein anderes Team die Ausgaben eines leistungsfähigen Modells als Trainingsdaten. Ethan Mollick vermutet, dass der Verlust dieses einfachen Zugangs den langsameren Fortschritt bei Open-Weight-Modellen erklären könnte. Ein direkter Beleg für diesen Zusammenhang fehlt bislang.

Zwei Labore haben den Abfluss geschützten Reasonings stark reduziert

OpenAI gibt an, dass eine adaptive Black-Box-Evaluation die Erfolgsquote beim Extrahieren früheren geschützten Reasonings von 54,0 % bei GPT-6 Astra auf 0,2 % bei GPT-6.2 Astra senkte. Beim aktuellen Request fiel sie von 22,9 % auf 0,9 %. Der Test bündelte sechs Angreifermodelle und stammt vom Unternehmen selbst.

Anthropic beschreibt einen zweistufigen Klassifikator, Beschränkungen für den Transfer von Reasoning zwischen Konten und Modellen sowie die schnellere Sperrung betrügerischer Kontonetzwerke. Das Unternehmen schätzt, dass auf seiner Plattform 10- bis 100-mal weniger Reasoning-Token extrahiert wurden. Zugleich nennt es eine Falschpositivrate unter 0,1 % und nötige Änderungen bei einigen legitimen Integrationen.

Günstige Nachzügler könnten wertvolle Trainingsdaten verlieren

Exakte Reasoning-Spuren können einem Student-Modell mehr vermitteln als fertige Antworten. In Anthropics Test auf SWE-bench Verified erreichte ein Modell mit vollständigen Spuren 80,4 %, mit Zusammenfassungen dagegen 71,8 %. Die Abwehr schützt damit Material, das den Transfer von Fähigkeiten beschleunigen kann.

Falls Open-Weight-Labore solche Daten in großem Umfang nutzten, erhöhen schlechterer Zugang und teurere Beschaffung ihre Kosten. Das ist der Kern von Mollicks These. Öffentliche Daten zeigen jedoch nicht, wie viel unautorisierte Destillation tatsächlich zum Fortschritt beigetragen hat.

Der attraktiven Bremsthese fehlen unabhängige Belege

Beide Labore messen ihre Abwehr auf den eigenen Systemen. OpenAI vergleicht gleichzeitig zwei Modell- und Schutzgenerationen. Anthropic erklärt, dass die neue Schicht noch keinem besonders hartnäckigen und ausgefeilten Angriff ausgesetzt war. Die Zahlen belegen stärkere Abwehr in internen Tests, aber nicht die Ursache einer gesamten Marktentwicklung.

Legitime Knowledge Distillation muss zudem von der verdeckten Extraktion eines fremden Dienstes getrennt werden. Erstere ist eine etablierte Technik mit Zustimmung. Der Streit betrifft industrielle Kampagnen über betrügerische Konten und den Transfer von Fähigkeiten ohne Erlaubnis.

Die nächste Open-Weight-Generation zeigt den Preis des geschlossenen Zugangs

Entscheidend werden Benchmarks und technische Berichte kommender Open-Weight-Releases. Wächst der Abstand besonders bei Aufgaben, die von langen Reasoning-Spuren profitieren, gewinnt Mollicks Hypothese an Gewicht. Ersetzen Teams die Quelle durch eigene synthetische Daten oder offene Forschung, kann die Delle kurz bleiben.

Auch die Folgen für reguläre API-Kunden zählen. Anthropic berechnet bereits einige blockierte Requests und Kontextbeschränkungen erzwangen Änderungen an Integrationen. Eine Abwehr, die Extraktion stoppt, ohne ehrliche Entwickler zu treffen, ist wertvoller als eine eindrucksvolle Laborkurve.

Liliths Urteil

Die Frontier-Labore haben die Zugbrücke hochgezogen. Die nächsten Open-Weight-Releases zeigen, wer aus eigener Kraft lief und wer auf fremdem Reasoning mitfuhr.