US-Beamte haben die Vorwürfe verschärft, dass das chinesische KI-Labor Moonshot sein schnell aufsteigendes Modell Kimi K3 durch das Kopieren von Anthropic-Technologie aufgebaut habe, doch von TechCrunch zitierte Forscher sagen, diese Erklärung passe weder zum Zeitplan noch zu der technischen Arbeit, die nötig sei, um ein Modell auf K3-Niveau zu erzeugen.

Der Streit ist über ein einzelnes Modell hinaus bedeutsam. Kimi K3 wurde von TechCrunch als das größte verfügbare Open-Weight-LLM beschrieben, und die Vorwürfe kommen zu einem Zeitpunkt, an dem Washington Berichten zufolge strengere Beschränkungen für chinesische Open-Weight-Modelle und die Infrastruktur diskutiert, die zu ihrem Training verwendet wird. Für KI-Entwickler und Unternehmenskäufer wirft der Fall eine schwierigere Frage auf als Politik allein: Wie viel des heutigen Modellfortschritts stammt aus Distillation im Vergleich zu eigenständigem Training, Reinforcement Learning und Zugang zu knapper Rechenleistung?

Der wissenschaftliche Berater des Weißen Hauses, Michael Kratsios, behauptete, Moonshot habe Anthropic’s Fable kopiert, während Nvidia-Hardware verwendet worden sei, die nicht für den Export nach China freigegeben war. Laut TechCrunch legte Kratsios keine unterstützenden Beweise für die Behauptung vor, und Moonshot reagierte nicht auf Fragen zu seinem Trainingsprozess. Finanzminister Scott Bessent sagte außerdem, die USA fänden „Wasserzeichen“ amerikanischer Large Language Models in chinesischen Modellen, obwohl laut TechCrunch unklar bleibt, worin diese Wasserzeichen bestehen, und das Finanzministerium dies nicht näher erläuterte.

Warum Forscher skeptisch sind

Der zentrale Widerspruch von Forschern ist eher praktischer als politischer Natur. Braden Hancock vom Laude Institute und von Snorkel AI sagte TechCrunch, er glaube nicht, dass eine ausschließliche Fable-Distillation ein Modell so stark wie Kimi K3 erklären könne, das so kurz nach der öffentlichen Verfügbarkeit von Fable auftauchte. Sein Argument betrifft die verstrichene Zeit: Wenn Anthropic’s Fable erst am 1. Juli öffentlich verfügbar war, bliebe nur wenig Raum, um genügend Ausgaben zu sammeln, einen großen Trainingslauf durchzuführen und dann innerhalb von etwa zwei Wochen eine konkurrenzfähige Veröffentlichung auszuliefern.

Nathan Lambert vom Allen Institute for AI machte in einem von TechCrunch zitierten Podcast einen verwandten Punkt. Seiner Ansicht nach wird einfaches supervised Fine-Tuning aus Modell-Ausgaben immer weniger ausschlaggebend, da Frontier-Systeme stärker werden und Post-Training stärker auf Reinforcement Learning setzt. Wenn eine einfache Distillation ausreichen würde, um Frontier-Fähigkeiten zu reproduzieren, so deutete er an, hätten bereits viele weitere Labore mit demselben Ansatz die Lücke geschlossen.

Diese Unterscheidung ist wichtig. Im Branchengebrauch kann „Distillation“ mehrere unterschiedliche Verhaltensweisen beschreiben, vom Sammeln von Prompt-Antwort-Paaren für supervised Fine-Tuning bis hin zu systematischeren Versuchen, die Denk- und Schlussfolgerungsmuster eines Modells zu kopieren. Von TechCrunch zitierte Forscher argumentieren, dass die leichtere Version dieses Prozesses einem Modell helfen kann, Stil oder „Manieren“ zu imitieren, aber allein weniger wahrscheinlich einen großen Leistungssprung erzeugt.

Distillation, Reinforcement Learning und die Kostenbarriere

TechCrunchs Berichterstattung verweist auf einen technischeren Grund, warum die Fable-Behauptung infrage gestellt wird: Hochwertiges Post-Training hängt heute oft von großen Reinforcement-Learning-Läufen ab, nicht nur von abgegriffenen oder abgefragten Ausgaben.

Lambert sagte TechCrunch, dass die tiefgehende Reproduktion von Fable-ähnlichem Verhalten wahrscheinlich Reinforcement Learning statt bloßes supervised Fine-Tuning erfordern würde. In der Praxis kann das bedeuten, eine riesige Zahl agentischer Auswertungen laufen zu lassen, bei denen ein stärkeres Modell die Antworten eines schwächeren Modells bewertet und der Trainingsprozess entsprechend aktualisiert wird. TechCrunch merkte an, dass solche Läufe Zehnmillionen von Agenten umfassen können.

Das ist aus zwei Gründen wichtig. Erstens wäre die Nutzung einer externen API eines Frontier-Anbieters wie Anthropic für eine Bewertung im großen Maßstab teuer und langsam. Zweitens erzeugt der Prozess, selbst wenn ein Labor ihn verdeckt durchführen wollte, eigene Engpässe. Von TechCrunch zitierte Forscher argumentierten, dass die Ökonomie und Latenz solcher Läufe die Theorie eines schnellen Sprungs von Fable zu Kimi K3 weniger überzeugend machen.

Das beweist nicht, dass Moonshot nicht von US-Modellen distilliert hat. Es deutet jedoch darauf hin, dass Distillation, falls sie stattgefunden hat, nur ein Faktor unter vielen gewesen sein könnte und nicht die vollständige Erklärung für die berichtete Qualität von Kimi K3. Für KI-Produktteams ist das eine nützliche Unterscheidung: Modellimitation kann Verhalten prägen, aber Frontier-Leistung hängt zunehmend von Trainingspipelines, Belohnungsdesign, Infrastruktur und Datenkuratierung im großen Maßstab ab.

Frühere Vorwürfe gegen Anthropic und die unscharfe Branchenlinie

Dies ist nicht das erste Mal, dass Anthropic Alarm geschlagen hat. TechCrunch berichtete, dass Anthropic Anfang dieses Jahres öffentlich Moonshot, DeepSeek und MiniMax beschuldigte, seine Modelle systematisch distilliert zu haben. Laut TechCrunch sagte Anthropic, es habe Millionen von Austauschen zwischen seinen Systemen und Nutzern gefunden, die über IP-Adressen und Metadaten mit diesen Unternehmen verknüpft seien, was es als absichtliches Extrahieren von Fähigkeiten statt normale Kundennutzung charakterisierte.

Anthropic reagierte nicht auf die konkreten Fragen von TechCrunch dazu, ob Fable an der Entwicklung von Kimi K3 beteiligt war. Damit bleibt eine Lücke zwischen den breiten früheren Vorwürfen und der enger gefassten, neuen Behauptung von Kratsios.

Die Geschichte wird außerdem dadurch kompliziert, dass einige Formen von Distillation in der gesamten Branche inzwischen ziemlich normal geworden sind. TechCrunch wies darauf hin, dass Elon Musk Anfang dieses Jahres aussagte, SpaceXAI habe OpenAI-Modelle distilliert, um Grok mitzuentwickeln, und sagte, die Praxis sei üblich. Dieser Verweis beseitigt keine rechtlichen oder politischen Bedenken, unterstreicht aber, wie schwer es ist, eine klare Linie zwischen verbotener Kopie und akzeptierter Nutzung synthetischer Daten oder modellgenerierter Trainingsmaterialien zu ziehen.

Für Enterprise-KI-Teams ist diese Unklarheit wichtig, weil Lieferantenrisiken nicht mehr nur Genauigkeit oder Preis betreffen. Sie umfassen jetzt auch die Herkunft: woher die Trainingsdaten kamen, ob Ausgaben über andere kommerzielle Modelle erzeugt wurden und ob künftige Streitigkeiten Zugang, Lizenzierung oder Compliance beeinträchtigen könnten.

Die Rechenfrage könnte ebenso wichtig sein wie der Kopier-Vorwurf

Der zweite Teil von Kratsios’ Vorwurf könnte für politische Entscheidungsträger schwerer zu ignorieren sein als die Fable-Behauptung selbst. Er sagte, Moonshot habe fortgeschrittene Nvidia-Systeme verwendet, darunter Grace Blackwell 300s und mit GB300 ausgestattete Server in Thailand, trotz Exportbeschränkungen für den Versand solcher Hardware nach China.

TechCrunch berichtete, dass Sam Bresnick vom Center for Security and Emerging Technology der Georgetown University sagte, es gebe einen Schwarzmarkt für fortgeschrittene Chips. Der Artikel zitierte außerdem die Anklage vom Mai gegen den Gründer von Supermicro, einem US-Serverbauer, wegen Vorwürfen des Schmuggels fortgeschrittener Chips nach China.

Sollte sich die Chipzugangs-Behauptung bestätigen, würde sie ein Muster verstärken, das Washington bereits beunruhigt: Kontrollen über fortgeschrittene Rechenleistung sind nur so stark wie die Rechenzentrumsbetreiber, Wiederverkäufer und Logistikketten, die sie durchsetzen. Bresnick sagte TechCrunch, er unterstütze Know-your-customer-Regeln für Rechenzentren, damit Betreiber identifizieren können, wer große Trainingsläufe auf modernster Hardware durchführt.

TechCrunch merkte außerdem an, dass die Biden-Regierung 2024 bundesweite Know-your-customer-Regeln für Rechenzentren vorgeschlagen habe, unter Präsident Donald Trump aber offenbar keine weiteren Fortschritte erzielt worden seien. Das hinterlässt eine politische Lücke zu einem Zeitpunkt, an dem Trainingskapazität geopolitisch ebenso sensibel sein könnte wie Modellgewichte.

Für Entwickler ist die Konsequenz direkt. Ein Labor mit Zugang zu genügend Spitzenrechenleistung kann Qualitätslücken potenziell durch besseres Reinforcement Learning und Skalierung schließen, selbst ohne einen dramatischen Abkürzungsweg über Distillation. Mit anderen Worten: Der eigentliche Wettbewerbsvorteil könnte weiterhin die Infrastruktur sein.

Beweise, Behauptungen und was weiterhin unbewiesen ist

Die derzeitigen öffentlichen Belege sind unvollständig. Die Behauptung, Moonshot habe Anthropic’s Fable kopiert, stammt laut TechCrunch von Michael Kratsios, doch er legte weder Quellen noch technische Beweise vor. Auch Scott Bessents Behauptung über „Wasserzeichen“ in chinesischen Modellen ist technisch nicht näher belegt. TechCrunch sagte, weder das Finanzministerium noch Anthropic hätten diese Punkte auf Fragen hin näher erläutert.

Dagegen ist die Skepsis von Braden Hancock und Nathan Lambert analytischer und nicht beweisführender Natur. Sie sagen nicht, dass Moonshot definitiv keine Distillation genutzt habe. Sie sagen, dass der bekannte Zeitplan, die beobachtete Stärke von Kimi K3 und die wachsende Bedeutung von Reinforcement Learning die Aussage „Fable-Nutzung erklärt Kimi K3“ bestenfalls unvollständig erscheinen lassen.

TechCrunch beschreibt Kimi K3 außerdem als das größte verfügbare Open-Weight-LLM, doch Leser sollten weitergehende Leistungsimplikationen vorsichtig behandeln, solange sie nicht durch veröffentlichte Benchmarks und unabhängige Bewertungen gestützt werden. In diesem Cluster gibt es keine offengelegten Benchmark-Tabellen, keine Trainingsprotokolle und keine direkte technische Stellungnahme von Moonshot. Das begrenzt, was sich daraus ableiten lässt.

Folgen für KI-Entwickler und Unternehmenskäufer

Für Modellentwickler ist dieser Fall eine Erinnerung daran, dass Distillation allein die Wettbewerbsdynamik nicht klären wird. Das Sichern von Chain-of-Thought, Ratenbegrenzung, Wasserzeichen und die Überwachung verdächtiger API-Nutzung kann Lecks rund um Anthropic oder Fable verringern, verhindert aber nicht, dass Rivalen sich durch eigenes Reinforcement Learning, Datenarbeit oder Zugang zu Rechenleistung verbessern.

Für Unternehmen, die Open-Modelle wie Kimi K3, DeepSeek oder Angebote von MiniMax bewerten, gehören Herkunft und politisches Risiko inzwischen zur technischen Due Diligence. Teams sollten fragen, ob der Trainingspfad eines Modells künftige Beschränkungen auslösen könnte, ob die Durchsetzung von Exportkontrollen Support oder Hosting stören könnte und ob die Abhängigkeit von Infrastruktur im Ausland rechtliche oder Beschaffungsprobleme schafft.

Für den Gesamtmarkt könnte die schärfste Lehre sein, dass chinesische Labore nicht länger einfach als bloße Nachahmer abgetan werden können. Hancock sagte TechCrunch, US-Beobachter unterschätzten oft das technische Fachwissen dieser Teams. Diese Einschätzung löst die politische Debatte nicht, drängt Produktteams und Investoren aber dazu, Fähigkeiten nach ihrem tatsächlichen Wert zu beurteilen, statt anzunehmen, jeder Fortschritt sei nur abgeleitet.

Worauf man als Nächstes achten sollte

Erstens sollte man auf technische Belege hinter den Fable- und Anthropic-Vorwürfen achten, besonders wenn die US-Regierung oder Anthropic Einzelheiten zu angeblichen Wasserzeichen, Abfragemustern oder Infrastrukturspuren veröffentlicht.

Zweitens sollte man beobachten, ob Moonshot mehr Details zu Training, Bewertung oder Rechenquellen von Kimi K3 veröffentlicht. Schon eine teilweise Offenlegung würde das Kräfteverhältnis dieser Debatte verändern.

Drittens lohnt es sich, die Regeln zur Rechenzentrums-Compliance und die Durchsetzung von Exportkontrollen rund um Nvidia-Systeme im Blick zu behalten, insbesondere GB300-bezogene Einsätze außerhalb Chinas. Die Politik könnte sich beim Zugang zu Rechenleistung schneller ändern als bei Modelllizenzen.

Schließlich sollte man verfolgen, ob andere Open-Weight-LLM-Veröffentlichungen den Abstand zu Kimi K3 ohne offensichtliche Abhängigkeit von Frontier-US-APIs verringern. Falls ja, würde das die Argumentation aus dem Lager des Allen Institute for AI und des Laude Institute stärken, dass Skalierung und Reinforcement Learning – nicht einfache Distillation – die jüngsten Zugewinne treiben.

Creati.ai-Perspektive

Der wichtigste Teil dieser Geschichte ist nicht, ob Distillation überhaupt stattgefunden hat, sondern ob politische Entscheidungsträger eine technisch schwache Erklärung verwenden, um einen echten Wettbewerbswandel zu erklären. Auf Basis der Berichterstattung von TechCrunch ist der öffentliche Fall dafür, dass Anthropic’s Fable der entscheidende Inhaltsstoff in Kimi K3 war, noch nicht überzeugend. Die Experteneinschätzung ist enger und glaubwürdiger: Etwas Distillation mag vorkommen, erklärt aber wahrscheinlich nicht das vollständige Ergebnis.

Das ist wichtig, weil sich der KI-Markt von Debatten über die Nachahmung des Chat-Stils hin zu Kämpfen über Reinforcement-Learning-Systeme, Evaluationsschleifen und Zugang zu Rechenleistung bewegt. Für Entwickler und Käufer lautet die praktische Lehre, sich weniger auf Rhetorik und mehr auf Modellherkunft, Infrastrukturexposition und die Frage zu konzentrieren, ob ein Anbieter Qualitätsverbesserungen ohne rechtliche oder geopolitische Störungen aufrechterhalten kann.