蒸馏 GPT-6 Astra 的两个中国模型，把 API 货架的分层打乱了

消息本身

美国媒体 The Information 周三报道，中国 AI 厂商 DeepSeek 与 Moonshot AI「大量依赖」OpenAI 旗舰模型 GPT-6 Astra 的输出，训练各自最新一代模型，路透社已核转该信息。据报道，Moonshot 上周发布的 Kimi K3.1 Pro 与 DeepSeek 于 10 月 17 日推出的升级版 V4.1-Flash 1017，均受益于对 Astra 的蒸馏训练。OpenAI、DeepSeek 与 Moonshot 暂未回应置评。此事并非第一次被关联：OpenAI 在 9 月 30 日的博客中已表示，把 7 月启动的一轮蒸馏行动中「核心部分」追溯到与 Moonshot 相关的人员。

蒸馏为什么成为引爆点

蒸馏指用一个模型生成的输出来训练另一个模型。在中美技术竞争升温的背景下，OpenAI、Anthropic、Google 等一致主张：蒸馏让对手能够「更快、更便宜」地复制前沿能力。防御侧也有数字：Anthropic 本月初称，其防止对手复制 Claude 能力的新措施，已把「蒸馏攻击」中可被采集的数据量压降低约 90% 至 99%。换句话说，攻守两侧都在加速硬化。

这里需要拆开看：蒸馏本身是常规训练技术，真正引爆的是「用的哪份输出」——本事件中的输出来自竞争对手闭源模型的 API 或官方接口，同时踩到知识产权与能力边界两条线。对 API 采购方，这件事的信号是：获取同等能力的成本结构在改变，货架的分层将不再只按模型名，而按来源与合规口径。

聚合分发视角：对 API 货架的三个影响

其一，货架的「性价比档」在变强。本轮被点名的两个模型恰好都是低价走量款：K3.1 Pro 与 V4.1-Flash 在聚合平台上都落在高性价比档。第三方媒体数据显示，K3.1 Pro 在 Artificial Analysis 智能指数上得 55 分、总榜排第 4，并在 Terminal-Bench 4.0 等部分 agentic 基准上超过 GPT-6 Astra——该组数字来自单一来源（媒体自报口径，仅供参考）。「学生」在部分科目上反超「老师」，意味着 API 采购方的常规任务不必再为最贵的旗舰模型付费。

其二，前沿实验室的防御抬高了「数据成本」。Anthropic 90%–99% 的拦截数据说明，蒸馏的边际成本在上升，前沿模型「能力差＋价格差」的组合更容易被维持住。对聚合方，理性答案是两层路由结构：常规任务走低价模型、复杂推理走旗舰模型，混合路由下单位任务的 API 成本可差出一个数量级，这是可写进报价单 ROI 的账。

其三，合规条款开始进采购清单。蒸馏争议叠加中美监管收紧，「模型来源说明」与知识产权责任条款正变成 API 合同的新标准件。聚合方若能清晰说明某条模型链路的训练数据来源与防护口径，合规本身就是卖点；反过来，来源说不清的渠道会被企业客户压价。

选型视角的一个可执行判断：新签 API 合同时建议先问聚合方两件事：其一，各档模型的训练来源与防护口径能否书面说明；其二，路由是否支持按任务难度做两层价格拆分。两问都能答，渠道可进入正式采购；都答不上，降级到试用档观察一个季度。

观察：「老师带学生」正在模糊 API 货架的分层：开源权重与低价档越来越便宜、能力越追越近，护城河收窄到前沿独占能力与合规信任两处。下一步值得盯的，是蒸馏争议会不会被写进合同条款与监管口径，进而变成价格。

来源：The Information（路透转引）、联合早报/AFP、Crypto Briefing；基准分数为单一来源（厂商自报口径），仅供参考。