Anthropic endurece las barreras para impedir que otros modelos copien el razonamiento de Claude

Qué cambia

Anthropic explicó el 12 de octubre nuevas defensas contra la destilación ilícita: consultas masivas diseñadas para recoger las respuestas de Claude y utilizarlas al entrenar otro modelo. La compañía afirma que sus medidas han reducido entre un 90 % y un 99 % los tokens de razonamiento extraídos. Reuters confirmó la publicación y atribuyó correctamente esas cifras a Anthropic.

La empresa menciona a Z.ai, también conocida como Zhipu, durante el desarrollo de GLM-5.3. Z.ai no respondió de inmediato a Reuters. Por tanto, la acusación y la magnitud de la reducción no son resultados auditados de forma independiente; se publican como afirmaciones de Anthropic y con esa limitación visible.

El contexto y los límites

Destilar un modelo puede ser una técnica legítima cuando se utilizan datos autorizados. El problema descrito aquí es otro: crear miles de cuentas o utilizar redes de intermediarios para interrogar un servicio, recopilar sus respuestas y reproducir capacidades sin permiso. Anthropic sostiene que ese proceso también puede trasladar funciones de alto riesgo a modelos con menos salvaguardas.

Las nuevas medidas protegen parte del razonamiento, clasifican patrones de acceso y bloquean campañas coordinadas. Reuters recoge que Anthropic cerró decenas de miles de cuentas vinculadas a estas operaciones. La empresa compara la robustez del sistema con sus defensas frente a solicitudes de biología peligrosa, pero no ha publicado una auditoría independiente que permita comprobar esa equivalencia.

Hay costes para usuarios legítimos. Anthropic reconoce que algunos desarrolladores han tenido que actualizar sus integraciones, que menos del 0,1 % de solicitudes benignas pueden bloquearse por error y que esos bloqueos se facturan. Un porcentaje pequeño puede ser relevante en servicios con millones de llamadas, por lo que los clientes deberían vigilar rechazos y disponer de una vía de revisión.

La noticia entra en Radar China porque muestra una nueva fricción entre laboratorios estadounidenses y desarrolladores chinos. No demuestra por sí sola cómo se entrenó GLM-5.3 ni permite concluir que todas las técnicas de aprendizaje entre modelos sean ilícitas. Sí confirma que el acceso a modelos punteros ya incluye defensas contra la extracción sistemática, con efectos técnicos y comerciales para todo desarrollador que usa la API.

Cómo llevarlo a la práctica

Si una integración legítima empieza a recibir bloqueos, registra la solicitud, la hora, el modelo y el identificador de la API antes de cambiar instrucciones al azar. Comprueba la documentación de razonamiento preservado y abre una incidencia con ejemplos que no contengan secretos.

No intentes eludir clasificadores mediante cuentas o intermediarios. Para entrenar un modelo pequeño, utiliza datos propios, conjuntos con licencia y salidas cuya reutilización esté permitida. Separa la destilación autorizada de la extracción contra las condiciones del servicio.

← Volver a la edición · Archivo · Cómo seleccionamos las noticias