Attaques de distillation Anthropic : de quoi sont accusés les laboratoires d'IA chinois et ce que cela signifie

Les attaques de distillation Anthropic sont devenues la plus grande controverse de l'IA en février 2026, lorsque Anthropic a publiquement accusé trois laboratoires chinois - DeepSeek, Moonshot (créateurs de Kimi) et MiniMax - d'avoir systématiquement extrait les capacités des modèles Claude pour entraîner les leurs. Le rapport affirme qu'environ 24 000 comptes frauduleux ont généré plus de 16 millions d'échanges ciblant les capacités les plus précieuses de Claude : le raisonnement agentique, l'utilisation d'outils et le coding.

Ce n'est pas la première fois qu'un laboratoire américain accuse des concurrents d'utiliser leurs sorties pour l'entraînement. OpenAI avait formulé des accusations similaires contre DeepSeek lors du lancement de R1 début 2025. Mais le rapport d'Anthropic est l'accusation la plus détaillée et la plus spécifique à ce jour, nommant des laboratoires individuels et publiant des chiffres précis.

Point clé : Que les accusations soient fondées ou non, ce débat met en lumière une tension réelle dans l'industrie de l'IA -- la frontière entre l'évaluation légitime de modèles et l'extraction illicite de capacités est floue, et chaque laboratoire la trace différemment.

Accès rapide : Qu'est-ce que la distillation | Les accusations d'Anthropic | Les chiffres | Pourquoi Claude est ciblé | Le débat | Ce que cela signifie pour les utilisateurs | FAQ

Qu'est-ce que la distillation de modèles d'IA

La distillation dans le contexte de l'IA consiste à extraire les capacités essentielles d'un modèle puissant et à utiliser ces sorties pour entraîner un modèle plus petit ou moins coûteux à se comporter de manière similaire. Le terme vient de l'idée de distiller la valeur essentielle de quelque chose -- séparer l'or du sable.

Voici comment cela fonctionne en pratique :

Étape	Ce qui se passe
1. Génération de requêtes	Envoyer des milliers de prompts soigneusement conçus à un modèle de pointe
2. Collecte des sorties	Recueillir les réponses du modèle, y compris les traces de raisonnement
3. Création du jeu de données	Organiser les paires entrée-sortie en données d'entraînement
4. Entraînement du modèle	Utiliser ces données pour affiner un modèle plus petit afin qu'il imite le modèle de pointe

Anthropic reconnaît elle-même que la distillation peut être tout à fait légitime. Les laboratoires l'utilisent couramment pour créer des modèles plus petits et moins coûteux pour leurs propres clients. La distinction qu'Anthropic établit est entre la distillation interne (utiliser les sorties de son propre modèle) et la distillation externe (utiliser les sorties du modèle d'un concurrent pour entraîner le sien).

Important : La distillation ne peut pas produire un modèle plus intelligent que la source. Elle ne peut que rapprocher un modèle plus faible du niveau du modèle de pointe. Pensez-y comme un plafond, pas une échelle.

Pourquoi la distillation est devenue controversée

Le débat sur la distillation a commencé lorsque OpenAI a accusé DeepSeek d'utiliser les sorties du modèle O1 pour entraîner DeepSeek R1. O1 était le premier modèle de raisonnement d'OpenAI -- le premier à « réfléchir » avant de répondre en travaillant les problèmes étape par étape. OpenAI était si préoccupé par la copie de ses concurrents qu'ils ont entièrement masqué les traces de raisonnement d'O1 aux utilisateurs.

DeepSeek R1, en revanche, était open-weight et montrait sa chaîne de raisonnement complète. Cette transparence a rendu R1 extrêmement populaire auprès des développeurs -- mais cela n'a pas empêché OpenAI d'affirmer que ses modèles avaient été utilisés dans son entraînement.

Ce qu'Anthropic affirme

Le rapport d'Anthropic de février 2026 nomme trois laboratoires d'IA chinois et fournit des chiffres précis pour chacun :

Laboratoire	Connu pour	Échanges	Capacités ciblées
DeepSeek	DeepSeek R1, V4	~150 000	Raisonnement, notation par grille d'évaluation, alternatives sans censure
Moonshot	Modèles Kimi	~3,4 millions	Vision par ordinateur, utilisation d'ordinateur, utilisation d'outils
MiniMax	Modèles MiniMax	~13 millions	Coding agentique, utilisation d'outils, orchestration

Le total de toutes les campagnes : environ 16 millions d'échanges via environ 24 000 comptes qu'Anthropic décrit comme frauduleux.

Méthodes de détection

Anthropic revendique une attribution à haute confiance grâce à :

• Corrélation d'adresses IP -- rattachement des comptes à l'infrastructure connue des laboratoires
• Métadonnées des requêtes -- schémas d'utilisation de l'API correspondant au comportement des laboratoires
• Indicateurs d'infrastructure -- architectures de proxy et de clusters partagées
• Corroboration industrielle -- d'autres entreprises observant les mêmes acteurs

Le problème des proxys

Anthropic décrit également des services de proxy commerciaux qui revendent l'accès à Claude à grande échelle, en particulier aux utilisateurs en Chine où les modèles d'Anthropic ne sont pas directement disponibles. Un proxy aurait géré plus de 20 000 comptes simultanément, mélangeant ce qu'Anthropic appelle du trafic de distillation avec des requêtes client normales pour éviter la détection.

Cette partie du rapport dispose des preuves les plus solides. Plusieurs sources indépendantes confirment que des services de proxy chinois offrant un accès à Claude à prix réduit fonctionnent depuis des mois. Ces services utilisent des architectures de comptes distribuées pour répartir le trafic entre de nombreux comptes et adresses IP.

Les chiffres en contexte

Les chiffres publiés par Anthropic méritent un examen approfondi. Pour comprendre si 16 millions d'échanges représentent une opération d'extraction massive ou une utilisation courante, le contexte est essentiel.

Ce qui compte comme un « échange »

Un échange n'est pas la même chose qu'un message utilisateur. Chaque fois qu'un modèle répond -- y compris les appels d'outils, les résultats de recherche et les opérations d'agents en plusieurs étapes -- cela compte comme un échange distinct. Une seule demande utilisateur à un agent de coding IA peut facilement générer 10 à 50 échanges pendant que le modèle lit des fichiers, recherche du code et effectue des modifications.

Scénario	Actions utilisateur	Échanges réels
Question simple en chat	1 message	1 échange
Chat avec recherche web	1 message	3-4 échanges
Tâche d'agent de coding	1 prompt	10-50 échanges
Tâche de recherche approfondie	1 requête	30-100 échanges

Comparaison d'échelle

Pour mettre les choses en perspective, même une application d'IA modérément populaire peut générer des millions d'échanges par mois. Une plateforme de chat avec un trafic modeste peut facilement traiter 100 000 à 160 000 échanges par jour. Cela signifie que l'ensemble de la campagne présumée de DeepSeek de 150 000 échanges est comparable à une seule journée de trafic pour une application de chat IA de taille moyenne.

Pour les tests de benchmarks spécifiquement, exécuter un benchmark standard comme SWE-Bench (2 294 tâches de coding) avec une moyenne de 50 appels d'outils par tâche génère environ 115 000 échanges en une seule exécution. Quelques cycles d'ajustement de benchmarks pourraient facilement produire 150 000 échanges.

Contexte MiniMax

MiniMax exploitait un produit d'agent grand public qui proposait plusieurs modèles d'IA en option, dont Claude. Un produit avec des utilisateurs actifs effectuant de la recherche approfondie et des tâches agentiques pourrait générer 13 millions d'échanges dans le cadre d'une utilisation commerciale normale. Le rapport d'Anthropic note qu'ils ont détecté la campagne avant que MiniMax ne lance un nouveau modèle, et que MiniMax a redirigé le trafic vers les nouvelles versions de Claude dans les 24 heures -- mais ce comportement correspond également aux schémas d'utilisation normaux d'un produit où les utilisateurs migrent vers le dernier modèle disponible.

Pourquoi les modèles Claude sont une cible unique

Il existe un détail technique qui rend les modèles d'Anthropic particulièrement précieux pour la distillation par rapport aux autres laboratoires de pointe :

Laboratoire	Traces de raisonnement	Implication
OpenAI	Masquées/obscurcies	Impossible de voir les étapes de raisonnement réelles
Google	Résumées par un modèle séparé	Le raisonnement est paraphrasé, pas original
xAI	Obscurcies	Approche similaire à OpenAI
Anthropic	Entièrement visibles	Chaîne de raisonnement complète disponible

Anthropic est le seul grand laboratoire qui ne masque ni n'obscurcit les traces de raisonnement de ses modèles. Quand Claude réfléchit à un problème, vous pouvez voir chaque étape du processus de raisonnement. C'était une décision délibérée en faveur des développeurs -- cela aide les créateurs à déboguer les prompts, orienter le comportement du modèle et comprendre pourquoi un modèle a fait des choix spécifiques.

Mais cela signifie aussi que les sorties de Claude contiennent plus de données utiles à l'entraînement que tout autre modèle de pointe. Si vous disposez de la chaîne de raisonnement complète (pas seulement la réponse finale), ces données sont significativement plus utiles pour entraîner un autre modèle à raisonner de manière similaire.

Le débat dans l'industrie

La réaction de la communauté IA au rapport d'Anthropic a été profondément divisée.

Le point de vue sceptique

Les critiques soulèvent plusieurs problèmes :

• Les chiffres sont faibles. 150 000 échanges pour DeepSeek est facilement atteignable par un benchmarking et une évaluation normaux
• Des cas d'usage légitimes existent. MiniMax avait un produit qui utilisait Claude commercialement. Moonshot et DeepSeek ont besoin de comparer leurs performances avec celles des concurrents
• Un schéma d'accusations récurrent. Anthropic a précédemment formulé des accusations similaires contre WindSurf, xAI et OpenAI -- des accusations contestées ou non vérifiées
• Des preuves vagues. Le « prompt d'exemple » publié correspond étroitement aux prompts système standard de recherche et d'analyse utilisés dans les produits commerciaux
• Aucune vérification par un tiers. Anthropic n'a pas partagé les preuves brutes avec des auditeurs indépendants

Le point de vue favorable

Les défenseurs de la position d'Anthropic argumentent :

• L'échelle et la coordination comptent. Même si les échanges individuels sont anodins, des campagnes coordonnées à travers des milliers de comptes suggèrent une intention au-delà de l'utilisation normale
• Les conditions d'utilisation sont claires. Utiliser les sorties d'un modèle pour entraîner des modèles concurrents viole les conditions d'utilisation d'Anthropic, quel que soit le volume
• L'infrastructure de proxy est réelle. L'opération de revente par proxy est confirmée indépendamment par de multiples sources
• Le cadrage sécurité nationale. Les modèles entraînés par distillation peuvent manquer des garde-fous de sécurité présents dans l'original

La question de l'open-weight

Le rapport d'Anthropic inclut une déclaration controversée : si les modèles distillés sont open-sourcés, les risques se multiplient car les capacités se propagent au-delà du contrôle d'un seul gouvernement. Cela a été interprété par beaucoup comme une offensive contre les modèles d'IA open-weight -- une position notable étant donné qu'Anthropic est le seul grand laboratoire à n'avoir publié aucun modèle open-weight. OpenAI a publié GPT-4o mini, Google dispose de la série Gemma, Meta a Llama, et tous les grands laboratoires chinois publient régulièrement des modèles open-weight.

La vision d'ensemble -- où se situe la ligne

Le débat sur la distillation soulève des questions fondamentales sur les données, l'entraînement et la concurrence dans l'IA :

Question	Pourquoi c'est important
Entraîner un modèle sur du code généré par Claude dans des dépôts GitHub publics est-il de la distillation ?	D'énormes quantités de code écrit par Claude existent dans les dépôts publics
Partager des sorties de Claude sur internet est-il une violation ?	Toute conversation publique avec Claude pourrait devenir des données d'entraînement
Où s'arrête le benchmarking et où commence la distillation ?	Les laboratoires doivent évaluer les concurrents pour améliorer leurs propres modèles
Quel degré d'abstraction rend les données « propres » ?	À quel moment une sortie de modèle cesse-t-elle d'être attribuable ?

Ces questions n'ont pas encore de réponses claires, et l'industrie manque de normes convenues. Chaque laboratoire trace la ligne différemment -- souvent de manière à favoriser sa propre position concurrentielle.

Ce que cela signifie pour les utilisateurs d'IA et OpenClaw

Que les accusations spécifiques d'Anthropic soient exactes ou non, cette situation illustre pourquoi la diversité des modèles est importante :

• L'accès API n'est pas garanti. Les laboratoires peuvent et bannissent effectivement des concurrents, des régions et même des entreprises individuelles de l'accès à leurs modèles
• Les conditions d'utilisation changent. Ce qui est autorisé aujourd'hui peut ne plus l'être demain
• Le routage de modèles est stratégique. Répartir les charges de travail entre plusieurs modèles réduit la dépendance envers un seul fournisseur
• Les modèles open-weight offrent une assurance. Les modèles que vous pouvez exécuter localement ne peuvent pas être révoqués

Pour les utilisateurs d'OpenClaw, la meilleure stratégie reste la même : configurez le routage de modèles pour utiliser le meilleur modèle pour chaque tâche tout en maintenant des solutions de repli. Si un fournisseur restreint l'accès ou modifie ses conditions, vos workflows continuent avec des modèles alternatifs.

Recommandations pratiques

Action	Pourquoi
Utilisez le routage de modèles entre fournisseurs	Réduit la dépendance envers un seul fournisseur
Conservez des modèles open-weight en solution de repli	Ne peuvent pas être révoqués ni restreints
Surveillez les conditions d'utilisation des fournisseurs	Les politiques changent fréquemment en 2026
Diversifiez entre modèles US, UE et chinois	Les risques géopolitiques affectent la disponibilité

Questions fréquemment posées

Qu'est-ce qu'une attaque de distillation en IA ?

Une attaque de distillation, telle que définie par Anthropic, se produit lorsqu'un concurrent interroge systématiquement un modèle d'IA de pointe pour collecter des sorties et utilise ces données pour entraîner ses propres modèles. Le terme a été forgé par Anthropic pour ce rapport. La distillation traditionnelle est une technique standard d'apprentissage automatique utilisée par tous les grands laboratoires pour créer des modèles plus petits à partir de modèles plus grands.

DeepSeek a-t-il volé Anthropic ?

Anthropic affirme que DeepSeek a effectué environ 150 000 échanges ciblant les capacités de raisonnement. DeepSeek n'a pas répondu publiquement. Les preuves n'ont pas été vérifiées de manière indépendante, et les critiques notent que le volume est cohérent avec une activité de benchmarking normale.

Pourquoi cela est-il important pour les utilisateurs de modèles d'IA ?

Ce débat pourrait conduire à des politiques d'accès API plus strictes, des bannissements de comptes plus agressifs et d'éventuelles mesures réglementaires. Il souligne l'importance de ne pas dépendre d'un seul fournisseur d'IA et de maintenir l'accès à plusieurs modèles, y compris des alternatives open-weight.

Les modèles d'IA open-weight sont-ils menacés ?

Le rapport d'Anthropic suggère que les modèles distillés open-sourcés multiplient les risques de sécurité. Cette position est controversée. Les modèles open-weight de Meta (Llama), Google (Gemma), Alibaba (Qwen) et DeepSeek restent largement disponibles et constituent un pilier de l'écosystème IA pour les développeurs et les chercheurs.

Quelle est la différence entre distillation et benchmarking ?

Le benchmarking consiste à exécuter des tests standardisés sur un modèle pour mesurer ses performances. La distillation consiste à collecter des sorties de modèle pour les utiliser comme données d'entraînement. La frontière entre les deux est floue -- les deux nécessitent d'envoyer de nombreuses requêtes et de collecter des réponses. C'est l'intention et l'échelle qu'Anthropic utilise pour les distinguer.

Comment cela affecte-t-il les utilisateurs d'OpenClaw ?

OpenClaw prend en charge plusieurs modèles d'IA de différents fournisseurs. Si un fournisseur restreint l'accès ou modifie ses politiques, les utilisateurs peuvent diriger les tâches vers des modèles alternatifs. Cette situation renforce la valeur des frameworks d'agents indépendants des modèles.

Conclusion

Le rapport de distillation d'Anthropic est l'accusation publique la plus détaillée d'extraction de modèle inter-laboratoires à ce jour. Que les accusations soient pleinement étayées ou stratégiquement motivées, elles mettent en lumière des tensions réelles dans l'industrie de l'IA autour des données, de la concurrence et des limites de l'usage équitable. L'infrastructure de revente par proxy semble authentique, mais l'attribution à des laboratoires spécifiques reste non vérifiée par des tiers.

Pour les utilisateurs et créateurs d'IA, la conclusion est claire : diversifiez votre accès aux modèles, maintenez des solutions de repli open-weight et ne construisez pas de workflows critiques sur un seul fournisseur.

Configurez le routage de modèles sur OpenClaw -- restez résilient quelle que soit l'évolution du paysage de l'IA. Explorez aussi les ClawHub top skills 2026, les ClawHub popular skills et la OpenClaw ClawHub skills list pour étendre les capacités de votre agent. Parcourez les ClawHub best skills et les OpenClaw popular skills 2026.

Sources : Rapport officiel d'Anthropic (février 2026), analyse de l'industrie, LM Council, discussions communautaires (février 2026).