Autoridades dos EUA intensificaram as acusações de que o laboratório chinês de IA Moonshot construiu seu modelo Kimi K3, em rápida ascensão, copiando a tecnologia da Anthropic, mas pesquisadores citados pela TechCrunch dizem que essa explicação não se encaixa no cronograma nem no trabalho técnico necessário para produzir um modelo no nível do K3.

A disputa importa além de um único modelo. O Kimi K3 foi descrito pela TechCrunch como o maior LLM de pesos abertos disponível, e as alegações chegam enquanto Washington, segundo relatos, discute restrições mais rígidas aos modelos chineses de pesos abertos e à infraestrutura usada para treiná-los. Para construtores de IA e compradores corporativos, o episódio destaca uma pergunta mais difícil do que política sozinha: quanto do progresso dos modelos de hoje vem de destilação versus treinamento original, aprendizado por reforço e acesso a computação escassa?

O conselheiro científico da Casa Branca, Michael Kratsios, alegou que a Moonshot copiou o Anthropic’s Fable enquanto usava hardware Nvidia não liberado para exportação à China. Segundo a TechCrunch, Kratsios não apresentou provas para sustentar a alegação, e a Moonshot não respondeu a perguntas sobre seu processo de treinamento. O secretário do Tesouro, Scott Bessent, também disse que os EUA estão encontrando “marcas d’água” de grandes modelos de linguagem americanos em modelos chineses, embora a TechCrunch tenha informado que ainda não está claro o que são essas marcas d’água e o Departamento do Tesouro não esclareceu.

Por que os pesquisadores estão céticos

A principal objeção dos pesquisadores é prática, não política. Braden Hancock, do Laude Institute e da Snorkel AI, disse à TechCrunch que não acha que uma destilação apenas do Fable consiga explicar um modelo tão forte quanto o Kimi K3 surgindo tão pouco tempo depois de o Fable se tornar público. Seu argumento é sobre o tempo decorrido: se o Fable da Anthropic só ficou publicamente disponível em 1º de julho, haveria pouco espaço para coletar saídas suficientes, executar um grande ciclo de treinamento e depois lançar uma versão competitiva em cerca de duas semanas.

Nathan Lambert, do Allen Institute for AI, fez um ponto relacionado em um podcast citado pela TechCrunch. Em sua visão, o simples fine-tuning supervisionado a partir de saídas do modelo está se tornando menos निर्णante à medida que os sistemas de fronteira ficam mais fortes e o pós-treinamento passa a depender mais de aprendizado por reforço. Se uma destilação simples bastasse para reproduzir capacidades de fronteira, ele sugeriu, muito mais laboratórios já teriam fechado a lacuna usando a mesma abordagem.

Essa distinção é importante. No uso da indústria, “destilação” pode descrever vários comportamentos diferentes, desde a coleta de pares de prompt-resposta para fine-tuning supervisionado até tentativas mais sistemáticas de copiar os padrões de raciocínio de um modelo. Pesquisadores citados pela TechCrunch argumentam que a versão mais leve desse processo pode ajudar um modelo a imitar estilo ou “maneiras”, mas é menos provável que produza, sozinha, um grande salto de capacidade.

Destilação, aprendizado por reforço e a barreira de custo

A cobertura da TechCrunch aponta para uma razão mais técnica pela qual a acusação sobre o Fable está sendo questionada: o pós-treinamento de alto nível agora muitas vezes depende de grandes execuções de aprendizado por reforço, não apenas de saídas raspadas ou consultadas.

Lambert disse à TechCrunch que reproduzir em profundidade um comportamento semelhante ao do Fable provavelmente exigiria aprendizado por reforço, e não apenas fine-tuning supervisionado. Na prática, isso pode significar executar enormes quantidades de avaliações agênticas, em que um modelo mais forte avalia as respostas de um modelo mais fraco e o processo de treinamento é atualizado de acordo. A TechCrunch observou que essas execuções podem envolver dezenas de milhões de agentes.

Isso importa por dois motivos. Primeiro, usar uma API externa de um fornecedor de fronteira como a Anthropic para avaliação em grande escala seria caro e lento. Segundo, mesmo que um laboratório quisesse fazer isso secretamente, o processo cria seus próprios gargalos. Pesquisadores citados pela TechCrunch argumentaram que a economia e a latência dessas execuções tornam menos convincente a teoria de um salto rápido do Fable para o Kimi K3.

Nada disso prova que a Moonshot não tenha destilado a partir de modelos dos EUA. O que sugere é que, se houve destilação, ela pode ter sido apenas uma entrada entre várias, e não a explicação completa para a qualidade relatada do Kimi K3. Para equipes de produto de IA, essa é uma distinção útil: a imitação do modelo pode moldar o comportamento, mas o desempenho de fronteira depende cada vez mais de pipelines de treinamento, design de recompensas, infraestrutura e curadoria de dados em escala.

Acusações anteriores contra a Anthropic e a linha nebulosa do setor

Esta não é a primeira vez que a Anthropic aciona o alerta. A TechCrunch informou que, no início deste ano, a Anthropic acusou publicamente a Moonshot, a DeepSeek e a MiniMax de destilar sistematicamente seus modelos. Segundo a TechCrunch, a Anthropic disse ter encontrado milhões de interações entre seus sistemas e usuários ligadas a essas empresas por meio de endereços IP e metadados, o que caracterizou como extração deliberada de capacidades, e não uso normal de clientes.

A Anthropic não respondeu às perguntas específicas da TechCrunch sobre se o Fable esteve envolvido no desenvolvimento do Kimi K3. Isso deixa uma lacuna entre as acusações amplas anteriores e a alegação mais recente e mais restrita de Kratsios.

A história também é complicadaa pelo quão comuns algumas formas de destilação se tornaram em todo o setor. A TechCrunch observou que Elon Musk testemunhou no início deste ano que a SpaceXAI destilou modelos da OpenAI para ajudar a desenvolver o Grok, e disse que a prática era comum. A referência não elimina preocupações legais ou de política, mas ressalta como é difícil traçar uma linha clara entre cópia proibida e uso aceito de dados sintéticos ou material de treinamento gerado por modelos.

Para equipes corporativas de IA, essa ambiguidade importa porque o risco do fornecedor não é mais apenas sobre precisão do modelo ou preço. Agora também inclui procedência: de onde vieram os dados de treinamento, se as saídas foram geradas por outros modelos comerciais e se disputas futuras podem afetar acesso, licenciamento ou conformidade.

A questão da computação pode importar tanto quanto a alegação de cópia

A segunda parte da acusação de Kratsios pode ser mais difícil de ignorar para formuladores de políticas do que a própria alegação sobre o Fable. Ele disse que a Moonshot usou sistemas avançados da Nvidia, incluindo Grace Blackwell 300s e servidores equipados com GB300 na Tailândia, apesar das restrições de exportação para enviar esse hardware à China.

A TechCrunch informou que Sam Bresnick, do Center for Security and Emerging Technology de Georgetown, disse que existe um mercado negro de chips avançados. O artigo também citou a acusação de maio contra o fundador da Supermicro, fabricante de servidores dos EUA, por alegações de contrabando de chips avançados para a China.

Se a alegação sobre acesso a chips for confirmada, isso reforçaria um padrão já preocupante para Washington: controles sobre computação avançada só são tão fortes quanto os operadores de data centers, revendedores e cadeias logísticas que os aplicam. Bresnick disse à TechCrunch que apoia regras de conheça seu cliente para data centers, para que os operadores possam identificar quem está conduzindo grandes ciclos de treinamento em hardware de última geração.

A TechCrunch também observou que o governo Biden propôs regras federais de conheça seu cliente para data centers em 2024, mas que nenhum progresso adicional parece ter sido feito sob o presidente Donald Trump. Isso deixa uma lacuna de política em um momento em que a capacidade de treinamento pode ser tão sensível geopoliticamente quanto os pesos do modelo.

Para os desenvolvedores, a implicação é direta. Um laboratório com acesso a computação de ponta suficiente pode potencialmente fechar lacunas de qualidade por meio de melhor aprendizado por reforço e escala, mesmo sem um atalho dramático vindo da destilação. Em outras palavras, o verdadeiro fosso competitivo pode continuar sendo a infraestrutura.

Evidência, alegações e o que ainda não foi comprovado

As evidências públicas atuais permanecem incompletas. A alegação de que a Moonshot copiou o Fable da Anthropic vem de Michael Kratsios, segundo a TechCrunch, mas ele não forneceu fontes nem prova técnica. A alegação de Scott Bessent sobre “marcas d’água” em modelos chineses também carece de detalhes técnicos atribuídos. A TechCrunch disse que nem o Tesouro nem a Anthropic esclareceram esses pontos em resposta às perguntas.

Em contraste, o ceticismo de Braden Hancock e Nathan Lambert é analítico, não probatório. Eles não estão dizendo que a Moonshot definitivamente não usou destilação. Estão dizendo que o cronograma conhecido, a força observada do Kimi K3 e a importância crescente do aprendizado por reforço fazem a ideia de que “a exploração do Fable explica o Kimi K3” parecer, no mínimo, incompleta.

A TechCrunch também descreve o Kimi K3 como o maior LLM de pesos abertos disponível, mas os leitores devem tratar implicações amplas de desempenho com cautela, a menos que sejam apoiadas por benchmarks publicados e avaliações independentes. Nesse conjunto, não há tabelas de benchmarks divulgadas, nem logs de treinamento, nem uma declaração técnica direta da Moonshot. Isso limita o que pode ser concluído.

Implicações para construtores de IA e compradores corporativos

Para desenvolvedores de modelos, este episódio é um lembrete de que defesas baseadas apenas em destilação não resolverão a dinâmica competitiva. Proteger chain-of-thought, impor rate limiting, usar watermarking e monitorar uso suspeito de API pode reduzir vazamentos em torno da Anthropic ou do Fable, mas não impede rivais de melhorarem por meio de seu próprio aprendizado por reforço, trabalho de dados ou acesso a computação.

Para empresas que avaliam modelos abertos como o Kimi K3, o DeepSeek ou ofertas da MiniMax, procedência e risco regulatório agora fazem parte da due diligence técnica. As equipes devem perguntar se o caminho de treinamento de um modelo pode acionar restrições futuras, se a aplicação de controles de exportação pode interromper suporte ou hospedagem e se a dependência de infraestrutura no exterior cria problemas legais ou de aquisição.

Para o mercado mais amplo, a lição mais forte pode ser que os laboratórios chineses não podem mais ser descartados facilmente como simples copiadores. Hancock disse à TechCrunch que observadores dos EUA frequentemente subestimam o conhecimento técnico dessas equipes. Essa avaliação não resolve o debate de política, mas leva equipes de produto e investidores a avaliar capacidades pelo mérito, em vez de presumir que todo avanço é derivativo.

O que observar a seguir

Primeiro, observe se surge qualquer evidência técnica por trás das alegações sobre o Fable e a Anthropic, especialmente se o governo dos EUA ou a Anthropic divulgarem detalhes sobre supostas marcas d’água, padrões de consulta ou rastros de infraestrutura.

Segundo, veja se a Moonshot publica mais detalhes sobre o treinamento, a avaliação ou as fontes de computação do Kimi K3. Mesmo uma divulgação parcial mudaria o equilíbrio desse debate.

Terceiro, fique de olho nas regras de conformidade de data centers e na aplicação de controles de exportação em torno de sistemas Nvidia, especialmente implantações relacionadas ao GB300 fora da China. A política pode mudar mais rápido no acesso à computação do que no licenciamento de modelos.

Por fim, monitore se outros lançamentos de LLM de pesos abertos reduzem a distância para o Kimi K3 sem dependência óbvia de APIs de fronteira dos EUA. Se isso acontecer, fortaleceria o argumento do grupo do Allen Institute for AI e do Laude Institute de que escala e aprendizado por reforço, e não simples destilação, estão impulsionando os ganhos mais recentes.

Perspectiva da Creati.ai

A parte mais importante desta história não é se a destilação aconteceu ou não, mas se os formuladores de políticas estão usando uma explicação tecnicamente fraca para justificar uma mudança competitiva real. Com base na reportagem da TechCrunch, o caso público de que o Fable da Anthropic foi o ingrediente decisivo no Kimi K3 ainda não existe. A visão dos especialistas é mais estreita e mais crível: alguma destilação pode ocorrer, mas provavelmente não explica o resultado completo.

Isso importa porque o mercado de IA está migrando de debates sobre imitação de estilo de conversa para batalhas sobre sistemas de aprendizado por reforço, ciclos de avaliação e acesso à computação. Para construtores e compradores, a conclusão prática é focar menos na retórica e mais na procedência do modelo, na exposição à infraestrutura e em saber se um fornecedor consegue sustentar melhorias de qualidade sem interrupção legal ou geopolítica.