OpenAI accuse Moonshot AI d'avoir mené une campagne de distillation, alors que les rivaux à poids ouverts réduisent l'écart
OpenAI a déclaré le 1er octobre avoir déjoué une campagne coordonnée visant à extraire le raisonnement de ses modèles. L'entreprise attribue un noyau central de cette activité à des personnes liées à Moonshot AI, le développeur chinois de Kimi. Elle affirme que l'activité a bondi à 16 000 requêtes provenant de plus de 4 000 utilisateurs en deux jours, fin juillet.

CNBC a révélé l'information jeudi, et The Register l'a reprise le jour même. Les deux médias ont souligné le calendrier : la publication est tombée la même semaine où Anthropic a rendu publiques ses propres accusations contre des développeurs chinois. OpenAI indique que l'activité a commencé début juillet et culminé les 24 et 25 juillet. Le 28 juillet, l'entreprise affirme avoir complètement mis fin à la campagne.
Rien n'a été piraté.
OpenAI a déclaré à CNBC que les opérateurs n'ont pas cassé son chiffrement, compromis ses bases de données ni atteint les conversations d'utilisateurs stockées. Ils ont manipulé les interactions avec le modèle pour que le raisonnement protégé revienne sous une forme lisible par le demandeur, selon l'entreprise. The Register cite les termes employés par OpenAI dans un billet de blog publié un mercredi : « Les opérateurs n'ont pas cassé notre chiffrement, compromis une base de données ni obtenu un accès direct aux conversations d'utilisateurs stockées. »
Ce que la distillation signifie vraiment ici
OpenAI qualifie la technique de « distillation adversariale ». L'idée n'est pas nouvelle en apprentissage automatique : les sorties d'un modèle servent à entraîner ou à améliorer un autre modèle. Ce que décrit OpenAI, c'est la version à grande échelle. Des requêtes massives sont conçues pour reproduire le raisonnement et les capacités d'un modèle plus grand, pas seulement ses réponses finales. L'entreprise soutient qu'extraire le raisonnement permet à un rival de reproduire un comportement avancé sans dépenser autant d'argent en entraînement et en travail de sécurité. Elle présente la question comme un enjeu de sécurité et de sécurité nationale, pas seulement commercial.
The Register n'a pas mâché ses mots sur la portée symbolique de l'affaire. Son titre du 30 septembre qualifiait la plainte d'OpenAI d'ironique. OpenAI « a aspiré d'énormes quantités de contenu internet au milieu de batailles sur le droit d'auteur », écrivait le journal, tout en traitant la distillation de ses propres modèles comme un risque de sécurité. C'est le contre-argument le plus fort de la couverture actuelle, et il vaut la peine de l'énoncer clairement : le même raisonnement sur les données d'entraînement ne se retourne pas de la même façon selon qui le tient.
OpenAI affirme qu'il n'est pas clair que tous les opérateurs impliqués appartenaient à un seul acteur. Elle n'attribue qu'un « noyau » de l'activité à des personnes liées à Moonshot AI. Moonshot n'a pas répondu immédiatement aux demandes de commentaire de CNBC ni de The Register. The Register a aussi demandé à OpenAI quels modèles étaient visés, sans obtenir de réponse. Ce détail compte, car la gravité d'une allégation de distillation dépend de ce qui a été copié.
« La distillation adversariale présente des risques pour la sécurité et la sécurité nationale », a déclaré OpenAI mercredi. « Le raisonnement extrait pourrait servir à entraîner un autre modèle sans préserver les garde-fous appliqués aux sorties destinées aux utilisateurs du modèle d'origine. »
La bataille plus large autour des poids ouverts
L'accusation s'inscrit dans un changement plus vaste de la façon dont la capacité d'IA se répartit. Les modèles à poids ouverts sont passés d'une habitude de publication de niche à une part sérieuse du trafic de production. La couverture sectorielle récente affirme que les modèles à poids ouverts ont traité pour la première fois une majorité des tokens d'IA. Elle affirme aussi que les factures de tokens poussent les charges de travail des entreprises vers les options à poids ouvertes. Aucune de ces affirmations n'est vérifiée : à prendre comme une tendance, pas comme un chiffre confirmé. Les laboratoires américains parlent d'un marché où 9 000 000 000 de dollars de valeur se déplacent avec chaque génération de modèles, et ce chiffre circule sans source vérifiable.
Ce qui est vérifiable, c'est que la pression est réelle. Claude Opus 5.5 d'Anthropic, sorti une semaine avant le billet d'OpenAI, embarque une défense contre la distillation appelée « preserved thinking », introduite avec Fable 5.1, selon The Register. C'est une réponse au niveau du produit à un problème au niveau de l'entraînement. Si les fabricants de modèles intègrent désormais des fonctions anti-extraction dans les modèles livrés, c'est qu'ils traitent la distillation comme un phénomène permanent, pas comme un incident isolé.
Il existe aussi une trace écrite du côté gouvernemental. The Register note que fin juillet, Michael Kratsios, assistant du président Donald Trump pour la science et la technologie, a accusé Moonshot AI d'avoir construit son modèle Kimi K3 en distillant Fable d'Anthropic. Cette allégation précède d'environ deux mois le billet d'OpenAI et concerne le modèle d'une autre entreprise. Les accusations ne se limitent ni à un laboratoire ni à un incident.
Pendant ce temps, la pile à poids ouverts continue de livrer
Pendant que les laboratoires américains se disputent sur la copie, l'écosystème à poids ouverts a publié un flux régulier de travaux cette semaine. La branche recherche de Meta a publié les Context Language Models, une méthode qui traite le contexte d'un modèle comme un fichier que le modèle met à jour lui-même. Le dépôt vient d'une équipe réunissant l'université de Washington, Meta Superintelligence Labs, le MIT et Trillium Labs. Il rapporte une précision supérieure de 11,4 pour cent avec 21,5 pour cent de FLOPs en moins sur BrowseComp-Plus. Il rapporte aussi une amélioration de 47,6 pour cent pour Qwen3.5-9B sur le même benchmark après apprentissage par renforcement en ligne, avec 12 pour cent de FLOPs en moins.
Séparément, l'UK AI Security Institute et Meridian Labs ont publié Inspect, un cadre d'évaluation open source pour les modèles de frontière. Inspect est livré avec plus de 200 évaluations prêtes à l'emploi. Il permet d'exécuter des agents externes arbitraires comme Claude Code, Codex CLI et Gemini CLI dans une sandbox. C'est le genre d'infrastructure qui rend moins cher le test indépendant des modèles à poids ouverts. C'est gênant pour quiconque soutient que le transfert de capacités devrait être restreint.
Il y a aussi un volet bénévole. Un projet appelé Coop préentraîne un petit modèle sur du matériel grand public donné et des offres gratuites. Les pseudo-gradients sont soumis sous forme de pull requests Hugging Face et agrégés par une tâche cron GitHub Actions sans état. Sa première étape, un modèle de 15 000 000 de paramètres sur TinyStories, a dépassé son budget optimal au sens de Chinchilla en six jours, la perte de validation passant de 9,01 à 2,8. C'est petit. C'est aussi la preuve que la boucle d'entraînement peut tourner sans centre de données.
Et un modèle non-transformer appelé PSSA, écrit de zéro en Rust, revendique une inférence en temps linéaire avec une couche récurrente à espace d'états et une banque de mémoire épisodique. Le dépôt du projet indique qu'il génère du texte environ douze fois plus vite qu'un transformer équivalent sur le même CPU et qu'il apprend plus vite à paramètres égaux. Son pipeline d'entraînement dépend encore de DeepSpeed, une limite que les auteurs reconnaissent. À traiter comme des affirmations du projet, pas comme des résultats vérifiés indépendamment.
Pourquoi l'accusation est difficile à trancher
Le plus inconfortable, c'est que les deux camps peuvent pointer des comportements réels. OpenAI peut pointer 16 000 requêtes en deux jours provenant de plus de 4 000 utilisateurs, un schéma qui, selon elle, violait ses conditions d'utilisation. Les critiques peuvent pointer la lignée des données d'entraînement de chaque modèle de frontière construit aux États-Unis. Aucun de ces faits n'annule l'autre. Les détails publics ne permettent pas de trancher quel modèle était visé ni quelle capacité a réellement été transférée.
OpenAI indique avoir banni les comptes, renforcé les contrôles d'inscription et d'infrastructure, élargi la surveillance et fermé une voie qui permettait de rejouer le raisonnement chiffré d'un autre utilisateur pour en récupérer le contenu. Elle a partagé ses constats via le Frontier Model Forum et les canaux gouvernementaux d'échange d'informations. Ce sont des mesures concrètes. Elles décrivent une défense contre l'extraction plutôt qu'une solution à l'économie sous-jacente : tant que la distillation coûtera moins cher que l'entraînement, quelqu'un s'y essaiera.
Sources
7- 01AI race heats up as OpenAI flags alleged model-copying campaignEN
- 02Irony alert: OpenAI whines that Chinese model stole its special IP that it stole from everybody elseEN
- 03Context Language Models (CLMs)EN
- 04Inspect: An open-source framework for large language model evaluationsEN
- 05Coop: A small language model pretrained by volunteersEN
- 06PSSA: A non-transformer language model written from scratch in RustEN
- 07OpenAI unveils AI assistant 'dots' while safety worries delay new modelEN
Tous les chiffres et citations de ce texte proviennent des sources citées ci-dessous.
Les contenus ont été préparés par l'équipe de rédaction, assistée par l'IA.
Commentaires
0- Aucun commentaire — soyez le premier.