Kimi K3.1 Pro et DeepSeek V4.1-Flash ont été entraînés sur GPT-6 Astra, selon un rapport — ce que cela établit

Kimi K3.1 Pro

La question utile pour quiconque fait appel à ces modèles n’est pas de savoir si l’allégation est scandaleuse. Elle est de savoir si le comportement que vous achetez est bien celui que vous croyez acheter, et ce qu’une affirmation de distillation change à cet égard.

Ce que le rapport affirme réellement

Les informations rapportées, telles que résumées par les médias qui les ont relayées, indiquent que les deux modèles ont utilisé les sorties de GPT-6 Astra comme signal d’entraînement — la recette standard consistant à solliciter un modèle puissant à grande échelle, à collecter ses réponses et à entraîner un modèle plus faible à les reproduire. Elles ne font pas état d’un vol de pondérations, ne prétendent pas à un accès au code d’entraînement d’OpenAI et ne précisent aucun volume.

Un détail de la couverture mérite d’être isolé, car il s’agit d’une affirmation sur les motivations plutôt que sur la méthode : l’édition anglaise de Chosun présente ce basculement comme une orientation des laboratoires chinois vers GPT-6 Astra après qu’Anthropic a restreint l’accès à ses propres modèles de pointe. C’est plausible et non vérifié. Cela ne serait pas non plus surprenant — l’enseignant le moins cher disponible est celui auquel un laboratoire peut encore accéder à grande échelle.

Ce qu'OpenAI a déclaré publiquement

DeepSeek V4.1-Flash

Ce sont des types de déclaration différents, et la différence compte. Un fournisseur qui dit « nous détectons l’extraction systématique de nos sorties » avance une affirmation opérationnelle vérifiable, avec des dates et des chiffres. Une publication qui dit « ces deux modèles ont été entraînés sur ces sorties » avance une affirmation fondée sur des sources, sans méthode publiée. La seconde est plus spécifique et moins vérifiable, et la tentation de les fusionner en un seul récit est exactement le processus par lequel un rapport devient un fait.

Ce qu’est la distillation, et ce qu’elle n’est pas

La distillation est une technique, pas un crime. C’est une pratique standard dans les laboratoires depuis une décennie : entraîner un petit modèle à reproduire la distribution d’un grand modèle, puis déployer le petit. Ce à quoi les laboratoires s’opposent, c’est le cas où le modèle enseignant est le modèle de production de quelqu’un d’autre, interrogé à l’échelle industrielle, sans autorisation.

Trois choses suivent, et elles sont couramment confondues :

• Le transfert de capacités est réel mais limité. Un élève entraîné sur les sorties d’un enseignant hérite de la distribution des réponses de l’enseignant pour les invites qu’il a vues. Il n’hérite ni des poids de l’enseignant, ni de ses données d’entraînement, ni de son architecture, ni de son comportement sur des invites que personne n’a pensé à interroger.

• La question juridique et la question technique sont distinctes. Les conditions d'utilisation peuvent l'interdire ; le détecter est difficile ; le prouver pour un modèle précis l'est encore davantage. La détection par un fournisseur d'un trafic d'extraction automatisée ne prouve pas qu'un modèle particulier a été entraîné sur les résultats.

• Les benchmarks constituent une empreinte peu fiable. Deux modèles distillés à partir du même modèle enseignant n’obtiennent pas le même score, et deux modèles sans lien entre eux obtiennent souvent des scores similaires sur un benchmark que tout le monde optimise. L’indice révélateur, lorsqu’il existe, se trouve dans les erreurs — la même défaillance inhabituelle sur la même invite inhabituelle.

Pourquoi cela a abouti à une version open-weights

Les deux modèles sont téléchargeables, ce qui donne à cette histoire une portée réelle plutôt qu’un simple racontar. DeepSeek V4.1-Flash est distribué sous licence MIT. Kimi K3.1 Pro est le modèle phare de Moonshot et ses poids sont ouverts. Si la capacité sous-jacente provient en partie d’un modèle frontière fermé, alors un acheteur acquiert, aux prix des poids ouverts, un comportement qui a été initialement développé derrière un mur payant et un examen d’accès.

Ce n'est pas automatiquement un problème pour l'acheteur. C'est un problème pour l'acheteur qui a besoin de savoir de quoi il dépend. Un modèle dont le comportement a été façonné par les sorties d'un autre fournisseur est un modèle dont le comportement peut être déduit par quiconque dispose du modèle de cet autre fournisseur — ce qui compte pour la robustesse adversariale, pour la conception d'évaluations et pour quiconque pensait acheter une capacité indépendante plutôt qu'un écho.

Cela modifie également le profil de risque de la licence. Les conditions MIT de DeepSeek n’imposent rien. La licence communautaire de MiniMax, comme nous l’avons écrit cette semaine, impose une attribution et un seuil de revenus. Un litige lié à la distillation ne serait réglé par aucune des deux licences ; il le serait dans un tout autre cadre, et l’acheteur serait simple spectateur.

Ce que vous pouvez réellement vérifier

• Comportement de refus face aux invites que vos autres modèles déclinent. Un élève qui a appris d’un enseignant hérite des schémas de garde-fous de ce dernier, y compris les incohérents.

• Empreintes d’échec. Exécutez un ensemble d’invites volontairement étranges et comparez le texte des erreurs, pas le taux d’erreur. La distillation se manifeste par des idiosyncrasies partagées.

• Calibration. Demandez le niveau de confiance sur des questions auxquelles il ne peut pas répondre, et voyez si le seuil d’abstention correspond à un modèle que vous connaissez.

• Dérive de version. DeepSeek V4.1-Flash possède deux checkpoints dont les scores publiés diffèrent : 39,46 pour la version de septembre et 45,10 pour la mise à jour du 17 octobre. Un écart aussi important entre deux mois mérite une explication, indépendamment de toute affirmation de distillation.

Rien de tout cela ne prouve quoi que ce soit sur les données d’entraînement. En revanche, cela vous indique si le modèle se comporte comme quelque chose que vous possédez déjà, ce qui est la version pratique de la question.

Que faire à ce sujet en tant qu’acheteur

• Ne révisez pas le prix d’un modèle sur la base d’une rumeur. Rien dans les informations publiées ne change ce que coûtent Kimi K3.1 Pro ou DeepSeek V4.1-Flash, ni leur rapidité, et tous deux restent parmi les modèles puissants les moins chers du marché.

• Veillez à consigner la question de la provenance au dossier d'achat. Si votre fonction de conformité demande d'où vient la capacité d'un modèle, « le fournisseur affirme qu'il est entraîné à partir de zéro » et « un rapport allègue qu'il a été distillé à partir d'un tiers » sont deux déclarations que vous devriez pouvoir citer avec exactitude dans six mois.

• Testez avec votre propre trafic. Les deux modèles sont disponibles sur OrcaRouter au prix catalogue du fournisseur, avec 0 % de majoration — code>kimi/kimi-k3.1-pro/code> et code>deepseek/deepseek-v4.1-flash/code> et code>deepseek/deepseek-v4.1-flash-1017/code> — de sorte que la comparaison avec votre solution actuelle relève d'une règle de routage plutôt que d'un nouveau contrat.

La seule chose à ne pas faire, c’est de considérer le rapport comme définitif. Deux laboratoires, une publication, aucune méthode publiée : la position honnête est qu’une affirmation plausible a été avancée sans être démontrée, et que le comportement réel des modèles est de toute façon mesurable aujourd’hui.

Qu'est-ce qui réglerait la question ?

Un laboratoire qui le reconnaît, une action en justice, ou une analyse technique qui reproduit les résultats à grande échelle. La première mettrait fin au débat, la seconde le porterait devant un tribunal, et la troisième est la seule que quelqu’un d’extérieur aux entreprises pourrait réaliser — d’où le fait que son absence après une semaine de couverture médiatique mérite d’être signalée.

Jusqu'à ce que l'une d'elles se concrétise, cette affirmation se range dans le même dossier que toutes les autres rumeurs sur les capacités : utile pour la manière dont vous évaluez un modèle, pas pour ce que vous en concluez.

Note sur les sources : le rapport de distillation, son attribution à The Information et les deux modèles nommés proviennent de la couverture spécialisée des 29-30 octobre 2026 ; l’article original n’a pas été lu directement pour ce texte. La date de début du 1er juillet, le pic des 24-25 juillet, les ~16 000 requêtes et les plus de 4 000 comptes proviennent de la divulgation d’OpenAI du 30 septembre. La licence MIT de DeepSeek V4.1-Flash et les conditions de licence communautaire mentionnées proviennent des dépôts de modèles respectifs ; les deux scores de checkpoint, 39,46 et 45,10, sont ceux d’Artificial Analysis. Ni Moonshot ni DeepSeek n’ont confirmé l’allégation. Les identifiants de modèles OrcaRouter et la répercussion des prix catalogue proviennent de notre propre catalogue.