Kimi K3.1 Pro y DeepSeek V4.1-Flash fueron entrenados con GPT-6 Astra, según un informe — Qué demuestra eso

Kimi K3.1 Pro

La pregunta útil para cualquiera que llame a estos modelos no es si la acusación es escandalosa. Es si el comportamiento que está comprando es el comportamiento que cree que está comprando, y qué cambia al respecto una afirmación de destilación.

Lo que el informe afirma en realidad

El reporte, tal como se resume en los medios que lo publicaron, afirma que ambos modelos usaron las salidas de GPT-6 Astra como señal de entrenamiento — la receta estándar de hacer prompting a un modelo potente a gran escala, recopilar sus respuestas y entrenar a uno más débil para que las reproduzca. No afirma que se hayan robado pesos, no afirma tener acceso al código de entrenamiento de OpenAI y no menciona ningún volumen.

Un detalle de la cobertura merece destacarse por separado, porque es una afirmación sobre el motivo y no sobre el método: la edición en inglés de Chosun enmarca el cambio como un movimiento de laboratorios chinos hacia GPT-6 Astra después de que Anthropic restringiera el acceso a sus propios modelos de frontera. Eso es plausible y no está verificado. Tampoco sería sorprendente: el maestro más barato disponible es el que un laboratorio todavía puede obtener en volumen.

Lo que OpenAI ha declarado públicamente

DeepSeek V4.1-Flash

Son tipos de afirmación distintos, y la diferencia importa. Que un proveedor diga «detectamos la extracción sistemática de nuestros resultados» es una afirmación operativa verificable, con fechas y cifras. Que una publicación diga «estos dos modelos se entrenaron con esos resultados» es una afirmación basada en fuentes, sin un método publicado. La segunda es más específica y menos verificable, y la tentación de fusionarlas en un solo relato es precisamente cómo un informe se convierte en un hecho.

Qué es la destilación, y qué no es

La destilación es una técnica, no un delito. Ha sido una práctica estándar dentro de los laboratorios durante una década: entrenar un modelo pequeño para que iguale la distribución de uno grande y luego servir el pequeño. Lo que los laboratorios objetan es el caso en que el modelo maestro es el modelo de producción de otro, consultado a escala industrial, sin permiso.

A continuación, tres cosas que habitualmente se confunden entre sí:

• La transferencia de capacidades es real pero limitada. Un estudiante entrenado con las salidas de un maestro hereda la distribución de respuestas del maestro en los prompts que vio. No hereda los pesos del maestro, sus datos de entrenamiento, su arquitectura ni su comportamiento en prompts sobre los que a nadie se le ocurrió consultar.

• La cuestión legal y la cuestión técnica son independientes. Los términos de servicio pueden prohibirlo; detectarlo es difícil; probarlo en un modelo específico lo es aún más. La detección de tráfico de scraping por parte de un proveedor no es prueba de que un checkpoint concreto se haya entrenado con los resultados.

• Los benchmarks son una huella dactilar débil. Dos modelos destilados del mismo profesor no obtienen la misma puntuación, y dos modelos sin relación alguna a menudo obtienen puntuaciones similares en un benchmark que todos optimizan. La pista, cuando la hay, está en los errores: el mismo fallo inusual en el mismo prompt inusual.

Por qué esto terminó siendo un lanzamiento de pesos abiertos

Ambos modelos se pueden descargar, y eso es lo que hace que la historia sea trascendente y no un simple chisme. DeepSeek V4.1-Flash se distribuye bajo licencia MIT. Kimi K3.1 Pro es el buque insignia de Moonshot y sus pesos son abiertos. Si la capacidad subyacente procedía en parte de un modelo frontera cerrado, entonces un comprador está adquiriendo, a precios de pesos abiertos, un comportamiento que originalmente se desarrolló detrás de un muro de pago y una revisión de acceso.

Eso no es automáticamente un problema para el comprador. Es un problema para el comprador que necesita saber de qué depende. Un modelo cuyo comportamiento fue moldeado por las salidas de otro proveedor es un modelo cuyo comportamiento puede ser inferido por cualquiera que tenga el modelo de ese otro proveedor —lo cual importa para la robustez adversarial, para el diseño de evaluación y para cualquiera que pensara que estaba comprando una capacidad independiente en lugar de un eco.

También cambia el perfil de riesgo de la licencia. Los términos MIT de DeepSeek no imponen nada. La licencia comunitaria de MiniMax, como escribimos esta semana, impone atribución y un umbral de ingresos. Una disputa sobre destilación no se resolvería con ninguna de las dos licencias; se resolvería en un lugar completamente distinto, y el comprador sería un espectador.

Lo que realmente puedes comprobar

• Comportamiento de rechazo ante prompts que tus otros modelos rechazan. Un estudiante que aprendió de un profesor hereda los patrones de barreras de protección del profesor, incluidos los inconsistentes.

• Huellas de fallos. Ejecuta un conjunto de indicaciones deliberadamente extrañas y compara el texto de los errores, no la tasa de error. La destilación se manifiesta en idiosincrasias compartidas.

• Calibración. Pregunte por la confianza en preguntas que no puede responder y compruebe si el umbral de abstención coincide con el de un modelo que conozca.

• Deriva de versiones. DeepSeek V4.1-Flash tiene dos checkpoints con puntuaciones publicadas diferentes: 39,46 para la compilación de septiembre y 45,10 para la actualización del 17 de octubre. Una brecha tan grande entre dos meses merece una explicación, independientemente de cualquier afirmación sobre destilación.

Ninguno de estos demuestra nada sobre los datos de entrenamiento. Lo que sí te dicen es si el modelo se comporta como algo que ya tienes, que es la versión práctica de la pregunta.

Qué hacer al respecto como comprador

No cambies el precio de un modelo por un rumor. Nada en la información publicada cambia lo que cuesta Kimi K3.1 Pro o DeepSeek V4.1-Flash ni lo rápido que es, y ambos siguen estando entre los modelos potentes más baratos del mercado.

• Mantenga la cuestión de la procedencia en el registro de adquisición. Si su función de cumplimiento pregunta de dónde provino la capacidad de un modelo, «el proveedor afirma que se entrenó desde cero» y «un informe alega que se destiló de un tercero» son ambas afirmaciones que debería poder citar con exactitud dentro de seis meses.

• Prueba con tu propio tráfico. Ambos modelos están en OrcaRouter al precio de lista del proveedor con 0 % de margen — code>kimi/kimi-k3.1-pro/code> y code>deepseek/deepseek-v4.1-flash/code> y code>deepseek/deepseek-v4.1-flash-1017/code> — así que la comparación con tu proveedor actual es una regla de enrutamiento en lugar de un nuevo contrato.

Lo único que no hay que hacer es dar el informe por zanjado. Dos laboratorios, una publicación, ningún método publicado: la postura honesta es que se ha hecho una afirmación plausible que no se ha demostrado, y que, en cualquier caso, el comportamiento real de los modelos es medible hoy.

¿Qué lo zanjaría?

Un laboratorio que lo reconozca, una demanda o un análisis técnico que coincida con los resultados a escala. Lo primero zanjaría la discusión, lo segundo la llevaría a los tribunales, y lo tercero es lo único que podría hacer alguien ajeno a las empresas —por lo que vale la pena señalar su ausencia tras una semana de cobertura.

Hasta que llegue uno de esos, la afirmación pertenece a la misma carpeta que cualquier otro rumor sobre capacidades: útil para cómo evalúas un modelo, no para lo que concluyes sobre él.

Nota de fuentes: el informe de destilación, su atribución a The Information y los dos modelos nombrados proceden de la cobertura de la prensa especializada del 29–30 de octubre de 2026; el artículo original no se leyó directamente para este trabajo. La fecha de inicio del 1 de julio, el pico del 24–25 de julio, las ~16.000 solicitudes y las más de 4.000 cuentas proceden de la divulgación de OpenAI del 30 de septiembre. La licencia MIT de DeepSeek V4.1-Flash y los términos de licencia comunitaria mencionados proceden de los respectivos repositorios de modelos; las dos puntuaciones de checkpoint, 39,46 y 45,10, son de Artificial Analysis. Ni Moonshot ni DeepSeek han confirmado la acusación. Los identificadores de modelos de OrcaRouter y el traspaso de precios de lista son de nuestro propio catálogo.