同一种技术。

在研究论文里，叫“知识蒸馏”。

在模型厂商的指控里，却可能被叫作“能力窃取”。

真正的分界线，不在“蒸馏”两个字，而在数据怎么来的、协议是否允许、最终拿它做什么。

2026年，Anthropic再次把大模型蒸馏推到行业争论中心。

它公开指控DeepSeek、Moonshot和MiniMax通过大规模异常账号与代理网络获取Claude输出，用于提升自己的模型能力。

Anthropic给出的数字非常大。

超过1600万次Claude交互。

约2.4万个虚假账号。

但Anthropic在同一篇官方文章里，也说得非常清楚：

蒸馏本身是一种广泛使用、而且可以完全合法的训练方法。

真正发生冲突的，是工业规模提取闭源模型输出、绕过访问限制，以及把这些数据用于训练竞争模型。

先把一个最容易混淆的问题说清楚

“模型蒸馏”不等于“复制模型权重”。

传统知识蒸馏通常让学生模型学习教师模型的软标签、概率分布或中间表示。

而围绕闭源API发生争议的场景，很多更接近“利用教师模型输出构造大规模合成训练数据”。

两者常被统称为Distillation，但在数据来源、访问方式和合规风险上并不完全相同。

01｜蒸馏到底是什么？先别急着谈“偷”

最简单的理解是：一个能力更强的模型当教师，一个更小、更便宜或者更专用的模型当学生。

学生不直接复制教师的参数文件。

它学习的是教师在大量任务上的输出规律。

Teacher Model
      ↓
Questions / Tasks
      ↓
High-quality Responses
      ↓
Training Dataset
      ↓
Student Model
      ↓
Smaller / Faster / Cheaper

这类方法存在很多年了。

它的正常用途也非常广。

把大模型压缩成端侧小模型。

把通用模型变成某个垂直领域模型。

降低推理成本。

提高本地部署效率。

因此，如果只看技术名词，蒸馏本身没有天然的道德属性。

02｜为什么Anthropic会把某些蒸馏称为“攻击”？

因为争议根本不在Student Model有没有复制Teacher的权重。

而在训练数据是怎么拿到的。

Anthropic在2026年2月的公开说明中称，它识别到工业规模的Claude能力提取活动。

这些流量通过大量虚假账号和代理服务分散请求。

Anthropic还表示，这些行为违反了它的服务条款和地区访问限制。

Normal API Usage
User Need → API → Output → User Task

Industrial Extraction
Thousands of Accounts
        ↓
Large Prompt Campaign
        ↓
Millions of Outputs
        ↓
Training Dataset
        ↓
Competing Model

这也是“合规蒸馏”和“争议蒸馏”真正开始分开的地方。

03｜第一条边界：有没有违反API服务协议

这是现实中最清晰的一条线。

即使某种技术本身合法，也不代表可以无视服务提供商的合同限制。

Anthropic的商业条款明确限制客户使用Claude去构建竞争产品或训练竞争AI模型，除非得到Anthropic明确批准。

所以，如果一个团队合法购买API，然后违反约定批量生成训练数据，首先出现的可能不是“版权案”。

而是合同、账号滥用、访问限制与商业竞争层面的争议。

DISTILL-101｜TERMS_BREACH

教师模型明确禁止将输出用于训练竞争模型，但仍大规模调用API构造训练集，会首先触发服务协议与商业合规风险。

04｜第二条边界：没有复制权重，不等于自动免责

网络讨论里经常有一句话：“我又没有拿你的模型权重，怎么算偷？”

这个问题不能只从权重文件回答。

模型权重当然是重要资产。

但现实法律关系还可能涉及合同、版权、数据库权利、商业秘密、反不正当竞争、计算机访问规则以及具体法域的其他制度。

同时，AI输出本身能否获得版权保护，也不能用一句“知识不受版权保护”全部概括。

事实、思想、方法和一般知识通常不能被某一方永久垄断。

但具体表达、受保护内容、数据库选择编排以及合同约定，又可能产生不同问题。

所以“不复制权重”只能回答一个问题，不能回答全部法律问题。

05｜第三条边界：你是在做能力迁移，还是在低成本复刻竞品？

这是商业伦理争议最集中的地方。

如果教师模型官方允许蒸馏，使用公开数据集，学生模型还有大量自己的训练数据、结构改造和后训练，最终做出的能力也明显不同，争议通常相对较小。

但如果目标非常明确：批量榨取某闭源模型的高价值输出，专门覆盖它最强的Coding、Reasoning、Agent能力，然后直接训练一个功能高度趋同的商业竞争模型，商业冲突就会非常强。

Risk ≠ Distillation Name

Risk
=
Data Source
+ Access Method
+ Terms
+ Scale
+ Competitive Purpose
+ Transformation Degree

真正需要判断的是整条链，而不是只看技术名词。

06｜为什么支持者仍然认为“蒸馏是正常技术”？

因为从机器学习发展史来看，这个判断本身并没有错。

大模型厂商自己也在做蒸馏。

Anthropic在公开说明里同样承认，前沿实验室会把自己的强模型蒸馏成更小、更便宜的模型。

开源社区里也经常使用教师模型生成合成数据，再训练小模型。

尤其是端侧模型、垂直模型、行业模型。

所以把“Distillation”这个技术词整体污名化，并不准确。

07｜真正的问题是：教师模型有没有同意

STEP 1｜明确授权

教师模型或数据许可证明确允许蒸馏、训练或衍生模型，这是风险最低的路径。

STEP 2｜公开数据蒸馏

使用公开数据、开源模型和允许再训练的数据集构造Teacher-Student流程。

STEP 3｜授权不明确

模型输出可以正常使用，但条款没有清楚说明能否用于训练竞争模型，需要单独核查。

STEP 4｜明确禁止仍批量提取

服务条款明确禁止，却通过批量账号、代理或规避措施持续获取训练数据，风险最高。

08｜为什么“买了API调用量”也不等于“可以买下训练权”

API付费购买的是服务使用权。

它并不自动等于获得所有下游用途的无限授权。

类似云数据库、图库、地图API和金融数据接口。

你可以买调用量，但合同仍然可以限制批量抓取、转售、镜像、训练或建立直接竞争产品。

DISTILL-202｜PAID_API_EQUALS_UNLIMITED_RIGHTS

购买API额度只代表获得约定范围内的服务使用权，并不自动包含训练竞争模型、批量镜像或转售数据的权利。

09｜法律为什么到现在还没有一个全球统一答案

因为大模型蒸馏同时跨越了太多传统法律概念。

模型参数是软件与数据资产。

模型输出又可能包含事实、表达、代码和推理过程。

API调用同时还是合同关系。

大规模自动访问又可能涉及访问控制。

不同国家对版权、数据库权、合同效力和不正当竞争的制度也不同。

Distillation
≠ Automatically Legal
≠ Automatically Illegal

Need:
Facts + Contract + Data Source + Use Case + Jurisdiction

更现实的判断方式是逐层检查。

10｜一家AI公司如果真的要做蒸馏，应该先检查什么

Distillation Review

1. Teacher License
   ↓
2. API Terms
   ↓
3. Dataset Provenance
   ↓
4. Output Usage Rights
   ↓
5. Competitive Purpose
   ↓
6. Transformation Degree
   ↓
7. Privacy / Personal Data
   ↓
8. Jurisdiction Review
   ↓
9. Audit Log

技术团队最容易犯的错误，是模型已经训练完了，才把法务叫进来。

更合理的方式是训练前就建立Data Provenance。

每一批Teacher Output都应该知道来自哪里、使用什么账号、对应什么许可证或合同、能不能用于训练、能不能商用。

11｜对于500+模型平台，这个问题反而更现实

如果一个平台同时聚合500+AI模型，再加上智能体、无限画布、AI漫剧和AI PPT，每天可能同时产生大量文本、图片、视频、音频和代码结果。

这时候最危险的不是“模型数量太多”。

而是不同模型的输出权利和用途限制完全不同。

有的模型允许商业使用。

有的模型允许生成内容，但不允许拿输出训练竞争模型。

有的开源权重允许再训练。

有的API还存在地区、数据留存和二次使用限制。

因此多模型平台真正需要的是一层Model Policy Registry。

Model Registry

Model A
├── commercial_use: yes
├── distillation: allowed
└── source: open_weights

Model B
├── commercial_use: yes
├── distillation: prohibited
├── competing_model_training: prohibited
└── source: closed_api

Model C
├── commercial_use: conditional
├── legal_review: required
└── retention_policy: special

Router不仅要判断哪个模型更强。

还要判断这个任务在合同和合规上能不能交给它。

12｜智能体、无限画布和AI漫剧，还要多加一层“用途治理”

智能体会自动调用模型。

无限画布会把多个模型节点串起来。

AI漫剧可能同时调用文案、图像、视频和音频模型。

AI PPT可能把一个模型的输出继续交给另一个模型改写。

如果这些资产未来又被拿去训练自有模型，数据来源链就会变得非常复杂。

所以真正成熟的平台应该保存Asset Lineage。

User Prompt
   ↓
Model A Output
   ↓
Agent Rewrite
   ↓
Model B Image
   ↓
Video Model
   ↓
Final Asset

Every Node:
Model ID
License / Terms Version
Timestamp
Usage Purpose
Training Permission

只有这样，未来真的要构造训练集时，系统才能知道哪些资产可以进入。

13｜五类最常见的高风险做法

DISTILL-301｜FRAUDULENT_ACCOUNTS

为了扩大采样规模建立或购买大量虚假账号，绕过正常限流、地区限制或账号控制。

DISTILL-302｜PROXY_EVASION

通过代理网络隐藏真实调用主体或规避模型供应商的访问限制。

DISTILL-303｜NO_DATA_PROVENANCE

训练集只保存Prompt和Answer，却不知道输出来自哪个模型、什么版本、什么授权条件。

DISTILL-304｜COMPETITOR_CLONING

训练目标明确是尽可能复刻闭源竞品核心能力，同时缺少授权和实质差异化。

DISTILL-305｜LEGAL_REVIEW_AFTER_TRAINING

模型训练和商业发布完成以后才检查数据来源与服务协议，合规问题已经难以回滚。

14｜所以，蒸馏到底是不是“偷窃”？

如果只问技术本身。

答案很简单。

不是。

蒸馏是一种成熟、常用、甚至被主流实验室广泛使用的模型训练方法。

但如果问题变成：能不能通过虚假账号和代理网络，大规模采集一个明确禁止竞争性训练的闭源API输出，再低成本训练同类商业模型？

那讨论的已经不只是“蒸馏技术”。

而是合同、访问控制、数据来源、商业竞争与伦理边界。

反过来，也不能因为某家公司用了蒸馏，就自动推导出它“偷了模型”。

必须拿出数据来源、访问方式、协议约束和训练用途等具体证据。

15｜最后

AI行业真正需要的，不是把“蒸馏”两个字妖魔化。

也不是用“技术中立”四个字把所有争议一笔带过。

更成熟的标准应该是：技术可以中立，数据来源必须可追溯，服务协议必须被尊重，训练用途必须说得清楚，竞争行为必须接受规则约束。

法律没有完全定论的地方，也不意味着商业边界不存在。

蒸馏是不是“偷”，最终不该由情绪决定。

而应该看证据、授权、访问方式、规模和用途。

真正值得行业建立的，不是一句统一口号，而是一套能长期运行的数据来源与模型使用治理体系。

资料说明

Anthropic于2026年2月公开表示，其识别到DeepSeek、Moonshot和MiniMax的大规模Claude能力提取活动，并称相关活动涉及超过1600万次交互和约2.4万个虚假账号。

Anthropic在同一份说明中明确承认，模型蒸馏本身是广泛使用且合法的训练方法，争议集中在未经允许的大规模竞争性能力提取。

Anthropic当前商业条款限制客户使用其服务构建竞争产品或训练竞争AI模型，除非获得明确许可。

本文讨论的是技术、合同和行业治理边界，不构成针对任何具体企业或行为的法律结论。

不同国家和地区的版权、合同、数据与竞争法规则不同，实际项目应根据具体法域和协议进行专业审查。