Según informes, Astra de OpenAI se convierte en el principal objetivo de destilación de los laboratorios de IA chinos

Según informes, Astra de OpenAI se ha convertido en el principal objetivo de los esfuerzos de destilación de modelos de los laboratorios chinos de IA después de que Anthropic reforzara las defensas de Claude, de acuerdo con información de The Information citada por The Decoder.

El informe menciona a DeepSeek y Moonshot AI como organizaciones que supuestamente dependieron en gran medida de las respuestas de Astra mientras desarrollaban modelos más nuevos, incluidos productos identificados como Kimi K3.1 Pro y V4.1-Flash 1017. Las afirmaciones no pudieron verificarse de forma independiente con las pruebas proporcionadas, y ninguna de las dos empresas ofreció una respuesta pública en la información resumida por The Decoder.

El desarrollo es importante porque sugiere que unas salvaguardas más sólidas en un proveedor de modelos de frontera pueden redirigir los intentos de extracción hacia otro proveedor en lugar de poner fin a la práctica. Para los desarrolladores de modelos y los compradores de IA empresarial, el episodio también demuestra lo difícil que es proteger capacidades propias cuando se pueden consultar sistemas avanzados repetidamente y a gran escala.

De Claude a Astra

La destilación de modelos consiste en utilizar las respuestas de un modelo más capaz para mejorar un sistema menos capaz o competidor. En este caso, la actividad descrita parece implicar intentos de obtener respuestas detalladas, incluidos los pasos de razonamiento ocultos que algunos modelos de frontera utilizan internamente.

Anteriormente, Claude de Anthropic había sido descrito como un objetivo preferido para este tipo de actividad. The Decoder informa de que Anthropic ha endurecido desde entonces sus defensas, lo que llevó a los laboratorios chinos de IA a centrarse más en Astra de OpenAI, identificado en el informe como GPT-6 Astra.

Las pruebas disponibles no establecen qué tan amplio es este cambio en el sector chino de la IA, cuántos datos de Astra se recopilaron ni si la supuesta actividad mejoró materialmente algún modelo concreto. Sin embargo, sí apunta a una competencia cambiante entre proveedores de modelos que intentan impedir la imitación no autorizada y laboratorios que buscan formas de reproducir capacidades avanzadas a menor coste.

OpenAI también informó de una campaña coordinada de destilación que, según la empresa, involucró a personas vinculadas con Moonshot. La respuesta de la compañía, transmitida por The Decoder, fue que se toma el asunto en serio, pero ha observado que los atacantes modifican sus métodos cuando se introducen nuevas salvaguardas.

Lo que muestran las pruebas —y lo que no muestran

La información más sólida de este conjunto procede de The Information, pero el texto completo del artículo no estaba disponible en el material proporcionado. The Decoder presenta el relato y atribuye los hallazgos centrales a personas familiarizadas con el asunto. Por ello, el supuesto uso de Astra es un acontecimiento importante del que se ha informado, no una divulgación pública confirmada por DeepSeek o Moonshot AI.

Según The Decoder, Moonshot se negó a hacer comentarios, mientras que DeepSeek no respondió a una solicitud de comentarios. Esas ausencias de respuesta ni confirman ni refutan las acusaciones. Las pruebas disponibles no incluían registros técnicos, conjuntos de datos, volúmenes de consultas, registros de entrenamiento ni resultados de pruebas comparativas independientes.

La afirmación de Anthropic de que sus métodos más recientes redujeron entre un 90 % y un 99 % la cantidad de datos que los atacantes podían extraer es un resultado comunicado por la empresa. El material de origen no explica las condiciones de las pruebas, la definición de datos extraídos ni si la reducción se aplica por igual a distintas estrategias de ataque. Por tanto, debe considerarse una afirmación del proveedor y no una medida general de seguridad.

La información tampoco demuestra que Astra de OpenAI sea universalmente más vulnerable que Claude. El cambio aparente podría reflejar el acceso relativo, la calidad del modelo, los controles de las cuentas, los precios, el comportamiento de las respuestas o la evolución de las tácticas de los atacantes. Esos factores siguen sin resolverse.

Por qué importa para los desarrolladores de IA

Para las empresas de modelos de frontera, la actividad descrita convierte el acceso a las respuestas en un problema de seguridad además de ser una función del producto. Los controles de API, los límites de velocidad, la verificación de cuentas, la detección de anomalías, el comportamiento de rechazo y la supervisión pasan a formar parte de la protección de las capacidades del modelo. Las defensas también deben tener en cuenta a adversarios que distribuyen solicitudes entre cuentas, modifican los prompts o combinan consultas aparentemente normales en un esfuerzo de recopilación mayor.

Para los desarrolladores de IA más pequeños, la destilación puede reducir el coste de alcanzar un rendimiento competitivo, pero depender de las respuestas de otra empresa crea riesgos legales, operativos y técnicos. Un sistema entrenado intensivamente con un modelo externo puede heredar sus puntos ciegos, patrones de rechazo, sesgos o convenciones de formato. También puede volverse vulnerable si el proveedor cambia las reglas de acceso o introduce restricciones en las respuestas.

Los compradores empresariales deben interpretar con cautela las afirmaciones sobre imitación de modelos. Un proveedor puede demostrar puntuaciones similares en pruebas comparativas sin igualar la fiabilidad en flujos de trabajo de producción, uso de herramientas, tareas con contexto largo, gestión de la seguridad o precisión específica del sector. La supuesta actividad relacionada con Astra no demuestra que un sistema destilado ofrezca un rendimiento equivalente, ni establece que las organizaciones que utilizan esos sistemas participaran conscientemente en una extracción no autorizada.

El episodio también tiene implicaciones competitivas. Si las defensas simplemente trasladan la atención de Claude a Astra, los proveedores de modelos podrían enfrentarse a un ciclo continuo de contramedidas en lugar de una solución puntual. Esto podría aumentar el coste de ofrecer modelos de alta capacidad y animar a los proveedores a ofrecer interfaces más controladas, señales de procedencia o niveles de acceso diferenciados.

Qué observar a continuación

La primera señal será si OpenAI identifica públicamente más detalles sobre la campaña vinculada a Moonshot, incluidos los métodos que detectó y los controles que implementó después. Las pruebas técnicas ayudarían a distinguir el abuso dirigido de las afirmaciones generales sobre los laboratorios chinos de IA.

Una segunda señal será si Anthropic publica pruebas independientes de su reducción comunicada del 90 % al 99 % en los datos extraídos. Los detalles sobre las hipótesis de ataque, los métodos de medición y el rendimiento frente a atacantes adaptativos determinarán la importancia de esa cifra.

Los investigadores y operadores de plataformas también deberían observar los lanzamientos de modelos identificados de DeepSeek y Moonshot AI en busca de similitudes inusuales en la estructura de las respuestas, los perfiles de capacidad o el comportamiento. Por sí solas, esas similitudes no demostrarían la destilación, pero podrían motivar un examen más detallado de las fuentes de entrenamiento y los métodos de evaluación.

Por último, los proveedores de API podrían empezar a revelar más información sobre la verificación de clientes, la supervisión del uso, las marcas de agua en las respuestas y las restricciones a la recopilación automatizada. Estas medidas serán importantes tanto para los desarrolladores legítimos como para los equipos de seguridad, porque unos controles excesivamente agresivos pueden dificultar la experimentación y la investigación abierta.

La perspectiva de Creati.ai

El supuesto traslado de Claude a Astra se entiende mejor como una carrera armamentística por el acceso al comportamiento de los modelos, no como una prueba de que un proveedor haya perdido definitivamente el control de su sistema. Las pruebas disponibles son demasiado limitadas para establecer la escala de la extracción supuesta o las capacidades de los modelos resultantes.

Aun así, la historia ofrece una advertencia práctica a los desarrolladores: la seguridad de las respuestas no puede separarse de la estrategia de implementación del modelo. Los proveedores necesitan defensas que se adapten a los patrones de ataque cambiantes, mientras que los compradores deben evaluar la procedencia, las políticas de acceso y el rendimiento independiente, en lugar de asumir que la similitud en las pruebas comparativas demuestra una equivalencia real de capacidades.