Funcionarios de Estados Unidos han intensificado las acusaciones de que el laboratorio chino de IA Moonshot construyó su modelo Kimi K3, de rápido ascenso, copiando tecnología de Anthropic, pero los investigadores citados por TechCrunch dicen que esa explicación no encaja con el calendario ni con el trabajo técnico necesario para producir un modelo al nivel de K3.

La disputa importa más allá de un solo modelo. Kimi K3 ha sido descrito por TechCrunch como el mayor LLM de peso abierto disponible, y las acusaciones llegan mientras Washington, según informes, debate restricciones más estrictas sobre los modelos chinos de peso abierto y la infraestructura usada para entrenarlos. Para los creadores de IA y los compradores empresariales, el episodio destaca una pregunta más difícil que la política por sí sola: ¿cuánto del progreso actual de los modelos proviene de la destilación frente al entrenamiento original, el aprendizaje por refuerzo y el acceso a cómputo escaso?

El asesor científico de la Casa Blanca, Michael Kratsios, alegó que Moonshot copió Anthropic’s Fable mientras utilizaba hardware de Nvidia no autorizado para exportación a China. Según TechCrunch, Kratsios no proporcionó pruebas de respaldo para la afirmación, y Moonshot no respondió a preguntas sobre su proceso de entrenamiento. El secretario del Tesoro, Scott Bessent, también dijo que Estados Unidos está encontrando “marcas de agua” de grandes modelos de lenguaje estadounidenses en modelos chinos, aunque TechCrunch informó que sigue sin estar claro cuáles son esas marcas de agua y el Departamento del Tesoro no lo aclaró.

Por qué los investigadores son escépticos

La principal objeción de los investigadores es práctica más que política. Braden Hancock, del Laude Institute y Snorkel AI, dijo a TechCrunch que no cree que una destilación solo de Fable pueda explicar que un modelo tan fuerte como Kimi K3 aparezca tan pronto después de que Fable se hiciera público. Su argumento se basa en el tiempo transcurrido: si Anthropic’s Fable solo estuvo disponible públicamente el 1 de julio, habría poco margen para recopilar suficientes salidas, ejecutar un ciclo de entrenamiento grande y luego lanzar una versión competitiva en aproximadamente dos semanas.

Nathan Lambert, del Allen Institute for AI, hizo un punto relacionado en un pódcast citado por TechCrunch. En su opinión, el ajuste fino supervisado simple a partir de salidas del modelo está siendo menos decisivo a medida que los sistemas de frontera se hacen más fuertes y el post-entrenamiento depende más del aprendizaje por refuerzo. Si la destilación sencilla bastara para reproducir capacidades de frontera, sugirió, muchas más laboratorios ya habrían cerrado la brecha usando el mismo enfoque.

Esa distinción es importante. En el uso de la industria, “destilación” puede describir varios comportamientos distintos, desde recopilar pares de indicaciones y respuestas para un ajuste fino supervisado hasta intentos más sistemáticos de copiar los patrones de razonamiento de un modelo. Los investigadores citados por TechCrunch sostienen que la versión más ligera de ese proceso puede ayudar a un modelo a imitar el estilo o las “formas”, pero es menos probable que por sí sola produzca un salto importante en capacidad.

Destilación, aprendizaje por refuerzo y la barrera de costes

La cobertura de TechCrunch apunta a una razón más técnica por la que se cuestiona la acusación sobre Fable: el post-entrenamiento de alto nivel ahora suele depender de grandes ejecuciones de aprendizaje por refuerzo, no solo de salidas raspadas o consultadas.

Lambert dijo a TechCrunch que reproducir un comportamiento similar al de Fable en profundidad probablemente requeriría aprendizaje por refuerzo en lugar de simple ajuste fino supervisado. En la práctica, eso puede significar ejecutar enormes cantidades de evaluaciones agénticas, donde un modelo más fuerte califica las respuestas de un modelo más débil y el proceso de entrenamiento se actualiza en consecuencia. TechCrunch señaló que estas ejecuciones pueden involucrar decenas de millones de agentes.

Eso importa por dos razones. Primero, usar una API externa de un proveedor de frontera como Anthropic para calificar a gran escala sería caro y lento. Segundo, incluso si un laboratorio quisiera hacerlo en secreto, el proceso crea sus propios cuellos de botella. Los investigadores citados por TechCrunch argumentaron que la economía y la latencia de estas ejecuciones hacen que la teoría de un salto rápido de Fable a Kimi K3 sea menos convincente.

Nada de eso prueba que Moonshot no haya destilado a partir de modelos estadounidenses. Sí sugiere que, si ocurrió destilación, podría ser solo una entrada entre muchas y no la explicación completa de la calidad reportada de Kimi K3. Para los equipos de producto de IA, esa es una distinción útil: la imitación de modelos puede dar forma al comportamiento, pero el rendimiento de frontera depende cada vez más de canalizaciones de entrenamiento, diseño de recompensas, infraestructura y curación de datos a escala.

Acusaciones previas de Anthropic y la línea difusa de la industria

Esta no es la primera vez que Anthropic lanza alarmas. TechCrunch informó que a principios de este año Anthropic acusó públicamente a Moonshot, DeepSeek y MiniMax de destilar sistemáticamente sus modelos. Según TechCrunch, Anthropic dijo haber encontrado millones de intercambios entre sus sistemas y usuarios vinculados a esas empresas mediante direcciones IP y metadatos, lo que caracterizó como extracción deliberada de capacidades y no como uso normal de clientes.

Anthropic no respondió a las preguntas específicas de TechCrunch sobre si Fable estuvo involucrado en el desarrollo de Kimi K3. Eso deja un vacío entre las amplias acusaciones previas y la alegación más estrecha y reciente de Kratsios.

La historia también se complica por lo normales que se han vuelto algunas formas de destilación en toda la industria. TechCrunch señaló que Elon Musk testificó a principios de este año que SpaceXAI destiló modelos de OpenAI para ayudar a desarrollar Grok, y dijo que la práctica era común. La referencia no elimina las preocupaciones legales o de política, pero subraya lo difícil que es trazar una línea clara entre la copia prohibida y el uso aceptado de datos sintéticos o material de entrenamiento generado por modelos.

Para los equipos empresariales de IA, esta ambigüedad importa porque el riesgo del proveedor ya no se trata solo de la precisión del modelo o del precio. Ahora también incluye la procedencia: de dónde provienen los datos de entrenamiento, si las salidas se generaron mediante otros modelos comerciales y si futuras disputas podrían afectar el acceso, las licencias o el cumplimiento.

La cuestión del cómputo puede importar tanto como la acusación de copia

La segunda parte de la acusación de Kratsios podría ser más difícil de ignorar para los responsables de políticas que la propia afirmación sobre Fable. Dijo que Moonshot utilizó sistemas avanzados de Nvidia, incluidos Grace Blackwell 300 y servidores equipados con GB300 en Tailandia, pese a las restricciones de exportación para enviar ese hardware a China.

TechCrunch informó que Sam Bresnick, del Center for Security and Emerging Technology de Georgetown, dijo que existe un mercado negro de chips avanzados. El artículo también citó la acusación de mayo contra el fundador de Supermicro, un fabricante estadounidense de servidores, por presunto contrabando de chips avanzados a China.

Si la afirmación sobre el acceso a chips se confirma, reforzaría un patrón que ya preocupa a Washington: los controles sobre el cómputo avanzado solo son tan fuertes como los operadores de centros de datos, revendedores y cadenas logísticas que los aplican. Bresnick dijo a TechCrunch que apoya normas de conocimiento del cliente para centros de datos para que los operadores puedan identificar quién realiza grandes ciclos de entrenamiento en hardware de última generación.

TechCrunch también señaló que la administración Biden propuso en 2024 normas federales de conocimiento del cliente para centros de datos, pero que no parece haberse avanzado más bajo el presidente Donald Trump. Eso deja un vacío de política en un momento en que la capacidad de entrenamiento puede ser tan sensible geopolíticamente como los pesos del modelo.

Para los desarrolladores, la implicación es directa. Un laboratorio con acceso a suficiente cómputo de vanguardia puede potencialmente cerrar brechas de calidad mediante mejor aprendizaje por refuerzo y escalado, incluso sin un atajo dramático de la destilación. En otras palabras, el verdadero foso competitivo podría seguir siendo la infraestructura.

Evidencia, afirmaciones y lo que sigue sin probarse

La evidencia pública actual sigue incompleta. La acusación de que Moonshot copió Fable de Anthropic proviene de Michael Kratsios, según informó TechCrunch, pero no aportó fuentes ni pruebas técnicas. La afirmación de Scott Bessent sobre “marcas de agua” en modelos chinos carece asimismo de detalle técnico atribuido. TechCrunch dijo que ni el Tesoro ni Anthropic aclararon esos puntos en respuesta a preguntas.

En contraste, el escepticismo de Braden Hancock y Nathan Lambert es analítico y no probatorio. No están diciendo que Moonshot definitivamente no haya usado destilación. Están diciendo que el calendario conocido, la fuerza observada de Kimi K3 y la creciente importancia del aprendizaje por refuerzo hacen que “la explotación de Fable explica Kimi K3” parezca, como mínimo, incompleto.

TechCrunch también presenta Kimi K3 como el mayor LLM de peso abierto disponible, pero los lectores deberían tratar con cautela las implicaciones generales de rendimiento a menos que estén respaldadas por benchmarks publicados y evaluaciones independientes. En este conjunto no hay tablas de benchmarks divulgadas, ni registros de entrenamiento, ni una declaración técnica directa de Moonshot. Eso limita lo que se puede concluir.

Implicaciones para creadores de IA y compradores empresariales

Para los desarrolladores de modelos, este episodio es un recordatorio de que las defensas basadas solo en la destilación no resolverán la dinámica competitiva. Proteger la cadena de pensamiento, limitar la tasa, aplicar marcas de agua y monitorear el uso sospechoso de API puede reducir fugas alrededor de Anthropic o Fable, pero no impide que los rivales mejoren mediante su propio aprendizaje por refuerzo, trabajo con datos o acceso a cómputo.

Para las empresas que evalúan modelos abiertos como Kimi K3, DeepSeek o las ofertas de MiniMax, la procedencia y el riesgo regulatorio ya forman parte de la diligencia debida técnica. Los equipos deberían preguntar si la trayectoria de entrenamiento de un modelo podría activar futuras restricciones, si la aplicación de controles de exportación podría interrumpir el soporte o el alojamiento, y si la dependencia de infraestructura en el extranjero crea problemas legales o de compras.

Para el mercado en general, la lección más aguda puede ser que los laboratorios chinos ya no pueden descartarse fácilmente como simples copiones. Hancock dijo a TechCrunch que los observadores estadounidenses a menudo subestiman la pericia técnica de estos equipos. Esa evaluación no resuelve el argumento de política, pero sí empuja a los equipos de producto y a los inversores a valorar las capacidades por sus méritos y no asumir que todo avance es derivativo.

Qué vigilar a continuación

Primero, habrá que vigilar si aparece alguna prueba técnica detrás de las acusaciones sobre Fable y Anthropic, especialmente si el gobierno de Estados Unidos o Anthropic publican detalles sobre supuestas marcas de agua, patrones de consulta o rastros de infraestructura.

Segundo, conviene observar si Moonshot publica más detalles sobre el entrenamiento, la evaluación o las fuentes de cómputo de Kimi K3. Incluso una divulgación parcial cambiaría el equilibrio de este debate.

Tercero, hay que seguir de cerca las normas de cumplimiento de centros de datos y la aplicación de controles de exportación en torno a los sistemas de Nvidia, especialmente los despliegues relacionados con GB300 fuera de China. La política podría cambiar más rápido sobre el acceso al cómputo que sobre las licencias de modelos.

Por último, habrá que monitorear si otros lanzamientos de LLM de peso abierto reducen la brecha con Kimi K3 sin una dependencia obvia de APIs de frontera de Estados Unidos. Si lo hacen, reforzaría el argumento del bloque del Allen Institute for AI y del Laude Institute de que el escalado y el aprendizaje por refuerzo, no la simple destilación, están impulsando las últimas ganancias.

Perspectiva de Creati.ai

La parte más importante de esta historia no es si la destilación ocurrió en absoluto, sino si los responsables políticos están usando una explicación técnicamente débil para explicar un cambio competitivo real. Basándose en la cobertura de TechCrunch, el caso público de que Fable de Anthropic fue el ingrediente decisivo en Kimi K3 aún no existe. La visión experta es más estrecha y más creíble: puede haber algo de destilación, pero probablemente no explique el resultado completo.

Eso importa porque el mercado de IA está pasando de debates sobre la imitación del estilo de chat a batallas sobre sistemas de aprendizaje por refuerzo, bucles de evaluación y acceso a cómputo. Para creadores y compradores, la conclusión práctica es centrarse menos en la retórica y más en la procedencia del modelo, la exposición a la infraestructura y si un proveedor puede sostener mejoras de calidad sin interrupción legal o geopolítica.