Lilith.
⌕
Ilustración editorial: OpenAI y Anthropic cierran un atajo que pudo alimentar a los modelos open-weight
Ilustración de Lilith · remezcla editorial

OpenAI y Anthropic han reforzado sus defensas contra la destilación no autorizada, que convierte las salidas de un modelo potente en datos de entrenamiento para otro. Ethan Mollick sostiene que la pérdida de ese acceso fácil puede explicar la ralentización de los modelos open-weight. Aún no hay una prueba directa de esa relación causal.

Dos laboratorios han reducido con fuerza la fuga de razonamiento protegido

OpenAI afirma que una evaluación adaptativa de caja negra redujo la tasa de éxito al extraer razonamiento anterior del 54,0 % en GPT-6 Astra al 0,2 % en GPT-6.2 Astra. Para el razonamiento de la petición actual, bajó del 22,9 % al 0,9 %. La prueba reunió seis modelos atacantes y fue realizada por la propia empresa.

Anthropic describe un clasificador de dos etapas, límites al traslado de razonamiento entre cuentas y modelos y un bloqueo más rápido de redes de cuentas fraudulentas. Estima que los tokens de razonamiento extraídos en su plataforma cayeron entre 10 y 100 veces. También reconoce menos de un 0,1 % de falsos positivos y cambios obligados en algunas integraciones legítimas.

Los seguidores de bajo coste pueden perder datos de entrenamiento valiosos

Los rastros exactos de razonamiento pueden enseñar más a un modelo alumno que la respuesta final. En la prueba SWE-bench Verified de Anthropic, el modelo entrenado con rastros completos logró un 80,4 %, frente al 71,8 % con resúmenes. La defensa protege así un material que puede acelerar la transferencia de capacidades.

Si los laboratorios open-weight usaban esos datos a escala, un acceso peor y una recogida más cara elevarán sus costes. Esa es la base del argumento de Mollick. Las pruebas públicas no revelan cuánto contribuyó realmente la destilación no autorizada al progreso de estos modelos.

La teoría de la ralentización aún carece de pruebas independientes

Ambos laboratorios miden sus defensas en sus propios sistemas. OpenAI compara a la vez dos generaciones de modelo y protección, y Anthropic admite que su nueva capa aún no se ha enfrentado a un intento muy sofisticado y persistente. Las cifras prueban mayor resistencia en pruebas internas, no la causa de la evolución de todo un mercado.

También conviene separar la knowledge distillation legítima de la extracción encubierta de un servicio ajeno. La primera es una técnica habitual con autorización. La disputa se refiere a campañas industriales con cuentas fraudulentas y transferencia de capacidades sin permiso.

La próxima generación open-weight mostrará el coste del acceso cerrado

Las señales útiles serán los benchmarks y los informes técnicos de próximos lanzamientos open-weight. Si la brecha crece justo en tareas que aprovechan rastros largos de razonamiento, la hipótesis de Mollick ganará fuerza. Si los equipos sustituyen esa fuente con datos sintéticos propios o investigación abierta, la pausa puede ser breve.

También importa el efecto sobre los clientes normales de API. Anthropic ya cobra algunas peticiones bloqueadas y las restricciones de contexto obligaron a modificar ciertas integraciones. Una defensa que frene a los extractores sin castigar a desarrolladores legítimos valdrá más que una curva llamativa de laboratorio.

El veredicto de Lilith

Los laboratorios frontier han levantado el puente. Los próximos modelos open-weight mostrarán quién avanzaba por sus propios medios y quién viajaba sobre razonamiento ajeno.