GPT-6 Astra wird laut Bericht zum Distillationsziel chinesischer KI-Labore
Mindverse News
KI-gestützt erstellt, vor Veröffentlichung redaktionell geprüft 2 Quellen
Das Wichtigste in Kürze
- DeepSeek und Moonshot AI sollen laut einem Bericht stark auf Ausgaben von OpenAIs GPT-6 Astra zurückgegriffen haben; genannt werden Kimi K3.1 Pro und DeepSeek V4.1-Flash 1017. [1] [3]
- Die verfügbaren Berichte nennen weder den Weg, auf dem Astra-Ausgaben bezogen wurden, noch Umfang, Kosten oder messbaren Leistungseffekt des Trainings. [3]
- OpenAIs separate Vorwürfe zu einer im Sommer erkannten Kampagne beziehen sich auf Personen mit Verbindung zu Moonshot, belegen aber nicht, dass die später genannten Modelle mit deren Methode trainiert wurden. [3]
- Anthropic zufolge senkten neue Schutzmaßnahmen die bei Distillationsangriffen auf Claude abgegriffene Datenmenge um etwa 90 bis 99 Prozent; die Angabe ist eine Selbstauskunft des Unternehmens. [1] [3]
- Für Unternehmen ist der Fall vor allem ein Anlass, API-Nutzung, Schutz vor systematischem Abfragen und vertragliche Regeln für Modell-Ausgaben genauer zu prüfen; ein Abfluss von Kundendaten ist in den Berichten nicht belegt. [3]
// Inhalt · 7 Abschnitte
- Astra rückt als Trainingsquelle in den Mittelpunkt
- Was Distillation technisch bedeutet
- OpenAIs frühere Vorwürfe sind ein eigener Vorgang
- Anthropic meldet deutlich weniger abgegriffene Daten
- Was bislang nicht nachgewiesen ist
- Bedeutung für Unternehmen und Anbieter
- Ein Hinweis auf eine offene Beweislage
- Quellen
Astra rückt als Trainingsquelle in den Mittelpunkt
DeepSeek und Moonshot AI sollen ihre jüngsten Modelle in erheblichem Umfang mit Ausgaben von GPT-6 Astra trainiert haben. Das berichtet The Information laut The Decoder und AI Chat Daily. Als betroffene Modelle nennt die Berichterstattung Moonshots Kimi K3.1 Pro und DeepSeeks V4.1-Flash 1017. The Decoder beschreibt Astra als derzeit wichtigstes Ziel chinesischer KI-Labore für diese Form der Modellübertragung. [1] [3]
Die Darstellung ist eine journalistische Wiedergabe eines Berichts, der sich auf Personen mit Kenntnis der Vorgänge stützt. Sie ist keine unabhängig veröffentlichte technische Untersuchung der Trainingsdaten. Die verfügbaren Texte zeigen daher nicht, welche Astra-Ausgaben konkret genutzt worden sein sollen oder wie die beteiligten Labore sie bezogen haben. [1] [3]
Auch die zeitliche Einordnung ist begrenzt: AI Chat Daily zufolge erschien DeepSeeks V4.1-Flash 1017 am 17. Oktober; Kimi K3.1 Pro sei in der Woche vor Veröffentlichung des Berichts erschienen. Diese Angaben verbinden die Modelle mit dem berichteten Trainingsansatz, belegen für sich genommen aber weder dessen Umfang noch einen kausalen Beitrag zur Leistung der Systeme. [3]
- Berichtet wird über die Nutzung von Astra-Ausgaben durch DeepSeek und Moonshot; eine direkte Bestätigung der Unternehmen liegt in den vorliegenden Texten nicht vor. [1] [3]
- Die Berichte nennen keine Zahlen zu den verwendeten Ausgaben, den Kosten oder dem erzielten Leistungsgewinn. [3]
Was Distillation technisch bedeutet
Bei der sogenannten Distillation lernt ein kleineres oder neues Modell, Antworten eines leistungsfähigeren „Lehrermodells“ nachzuahmen. Das Verfahren ist nicht grundsätzlich ungewöhnlich: Labore setzen es auch ein, um eigene Systeme effizienter zu machen. Umstritten wird es, wenn die Ausgaben eines fremden, konkurrierenden Modells systematisch für das Training genutzt werden. So kann ein Anbieter Fähigkeiten übernehmen, ohne die gesamte zugrunde liegende Forschungsarbeit selbst leisten zu müssen. [3]
Wichtig ist die Unterscheidung zwischen gewöhnlichen Modellantworten und internem, verborgenem Schlussfolgern. AI Chat Daily beschreibt Distillation allgemein als Lernen anhand von Antworten. Die Berichterstattung über Astra legt dagegen nicht offen, ob für die genannten Modelle zusätzlich verborgene Reasoning-Schritte verfügbar waren oder verwendet wurden. The Decoder stellt zwar einen Zusammenhang zwischen Distillation und dem Offenlegen solcher Schritte her; die konkreten Informationen in den vorliegenden Quellen belegen aber nicht, welche Art von Daten bei Kimi K3.1 Pro oder V4.1-Flash 1017 tatsächlich zum Einsatz kam. [1] [3]
Die Differenz ist relevant, weil OpenAIs separat beschriebene Gegenmaßnahme auf den Zugriff auf verborgenes Reasoning zielt. Daraus lässt sich nicht ableiten, dass jede Distillation zwingend solche Informationen voraussetzt oder dass genau dieser Zugriff die neuen Modelle hervorgebracht hat. Die vorhandene Berichterstattung lässt die Methode des mutmaßlichen Trainings offen. [1] [3]
OpenAIs frühere Vorwürfe sind ein eigener Vorgang
OpenAI berichtete Ende September über eine koordinierte Kampagne, die nach Darstellung des Unternehmens auf die Extraktion verborgener Schlussfolgerungen aus seinen Modellen zielte. OpenAI ordnete einen Kern der Aktivitäten Personen zu, die mit Moonshot AI, dem Entwickler von Kimi, verbunden seien. AI Chat Daily zufolge begann die Aktivität am 1. Juli; am 24. und 25. Juli registrierte OpenAI 16.000 Extraktionsanfragen von mehr als 4.000 Nutzern. Das Unternehmen erklärte, die Kampagne bis zum 28. Juli unterbrochen zu haben. [3]
OpenAI schilderte zudem eine Methode, bei der verschlüsselte Reasoning-Daten aus einer Unterhaltung kopiert und ein Modell in einer anderen Unterhaltung um deren Entschlüsselung gebeten worden sei. Nach Darstellung des Unternehmens wurden dabei weder die Verschlüsselung gebrochen noch eine Datenbank oder gespeicherte Nutzergespräche kompromittiert; der beschriebene Weg sei inzwischen geschlossen. Diese Angaben geben OpenAIs Darstellung des Vorfalls wieder und sind keine unabhängige technische Prüfung. [3]
Die beiden Sachverhalte dürfen nicht gleichgesetzt werden. Laut AI Chat Daily stellte OpenAIs September-Beitrag keine Verbindung zu einem bestimmten Moonshot-Modell her. Ebenso belegt die beschriebene Kampagne nicht, dass DeepSeek an ihr beteiligt war oder dass die später genannten Modelle durch genau diese Methode trainiert wurden. Der Bericht über Astra-Ausgaben und OpenAIs frühere Angaben liefern damit unterschiedliche Hinweise, aber keinen geschlossenen Nachweisweg vom Zugriff bis zum Training. [3]
Anthropic meldet deutlich weniger abgegriffene Daten
Claude war laut The Decoder zuvor ein bevorzugtes Ziel für Distillation. Anthropic habe seine Schutzmaßnahmen inzwischen verschärft. Das Unternehmen erklärte, neue Methoden hätten die Datenmenge, die Angreifer bei Distillationsversuchen aus Claude abgreifen könnten, um etwa 90 bis 99 Prozent verringert. AI Chat Daily berichtet ebenfalls über diese Größenordnung. [1] [3]
Die Zahl ist als Angabe von Anthropic zu verstehen, nicht als unabhängig bestätigte Messung. Die vorliegenden Quellen erläutern weder die genaue Testmethodik noch, auf welche Angriffsarten oder Zeiträume sich der Vergleich bezieht. Sie belegen auch nicht, dass der Schutz vollständig ist oder dass vergleichbare Maßnahmen bei OpenAI denselben Effekt erzielen. [1] [3]
Dass sich Ziele und Schutzmaßnahmen verändern, beschreibt The Decoder als Teil eines fortlaufenden Wettbewerbs: Angreifer passten ihre Taktik nach der Einführung neuer Abwehrmaßnahmen an, sagte ein OpenAI-Sprecher. Die Quellen liefern jedoch keine ausreichenden technischen Einzelheiten, um die Wirksamkeit einzelner Schutzmechanismen direkt miteinander zu vergleichen. [1]
Was bislang nicht nachgewiesen ist
Die Berichte klären nicht, wie Astra-Ausgaben zu DeepSeek oder Moonshot gelangten. Sie beziffern weder die Menge der verwendeten Daten noch den finanziellen Aufwand oder den Anteil, den das Material an der Entwicklung der genannten Modelle hatte. Auch ein messbarer Leistungsvorteil wird nicht ausgewiesen. Damit bleibt offen, ob die behauptete intensive Nutzung für bestimmte Fähigkeiten ausschlaggebend war oder lediglich eine von mehreren Trainingsquellen darstellte. [3]
AI Chat Daily hält ausdrücklich fest, dass die Berichterstattung keinen konkreten Verstoß gegen einen Vertrag, eine Nutzungsrichtlinie oder ein Gesetz nachweist. Die vorliegenden Texte enthalten keine abschließende rechtliche Bewertung. Begriffe wie „adversariale Distillation“ geben OpenAIs Einordnung der systematischen und nicht autorisierten Nutzung von Modellausgaben oder Reasoning zur Verbesserung eines anderen Modells wieder; sie ersetzen keinen Nachweis eines bestimmten Verstoßes im Einzelfall. [3]
Auch die Reaktionen der Unternehmen sind begrenzt dokumentiert: Moonshot lehnte laut The Decoder eine Stellungnahme ab, DeepSeek antwortete demnach nicht auf eine Anfrage. AI Chat Daily berichtet ebenfalls, dass OpenAI, DeepSeek und Moonshot auf Anfragen zunächst nicht reagierten. Ausbleibende Antworten bestätigen die Vorwürfe nicht. [1] [3]
Bedeutung für Unternehmen und Anbieter
Für Unternehmen, die KI über APIs einsetzen, liegt die unmittelbare Relevanz nicht in einem nachgewiesenen Abfluss ihrer Kundendaten: Ein solcher ist in den vorliegenden Berichten nicht belegt. Im getrennt beschriebenen OpenAI-Vorfall erklärte das Unternehmen sogar, gespeicherte Nutzerunterhaltungen seien nicht erreicht worden. Der Vorgang lenkt den Blick vielmehr auf den Schutz von Modellfähigkeiten und auf die Frage, wie sich massenhafte, systematische Abfragen von normaler Nutzung unterscheiden lassen. [3]
Als Analyse folgt daraus: Wenn ein Unternehmen geschäftskritische Anwendungen auf externen Modellen aufbaut, sollte es nicht nur Verfügbarkeit und Kosten betrachten, sondern auch klären, welche Regeln für die Nutzung von Ausgaben gelten und welche technischen Kontrollen der Anbieter gegen automatisierte Extraktion einsetzt. Die Berichte belegen keine bestimmte Mindestanforderung an solche Kontrollen; sie zeigen aber, dass Anbieter nach eigener Darstellung wiederholt auf neue Abfragetaktiken reagieren müssen. [1] [3]
Für Anbieter ist Distillation zugleich eine Wettbewerbs- und Kostenfrage. Wenn sich Fähigkeiten eines leistungsfähigen Modells durch systematisches Lernen an dessen Antworten übertragen lassen, kann das den Vorsprung verkürzen, den Forschung und Entwicklung schaffen. Ob dies bei den genannten chinesischen Modellen in welchem Maß geschah, ist nicht quantifiziert. Für Kunden bedeutet das: Aus einer Ähnlichkeit oder einem guten Benchmark-Ergebnis allein lässt sich weder auf eine bestimmte Trainingsquelle noch auf die Art der Datenübernahme schließen. [3]
Ein Hinweis auf eine offene Beweislage
Der Bericht zeichnet ein Bild, in dem Astra an die Stelle von Claude als vorrangiges Ziel für chinesische KI-Labore rückt, nachdem Anthropic seine Abwehr nach eigener Aussage verstärkt hat. Diese Einordnung ist durch die Berichterstattung gestützt, aber nicht durch offengelegte Trainingsdaten oder eine unabhängige Analyse der Modellherkunft abgesichert. [1] [3]
Für eine belastbare Bewertung wären insbesondere Informationen über die verwendeten Daten, den Zugangsweg, die Trainingspipeline und den Beitrag der Astra-Ausgaben zu den fertigen Modellen nötig. Solche Angaben enthält das verfügbare Material nicht. Bis dahin ist zwischen dem berichteten Verdacht, OpenAIs separater Darstellung eines früheren Extraktionsversuchs und einem nachgewiesenen Verstoß zu unterscheiden. [3]
Quellen
- [1] OpenAI's Astra becomes the main target for Chinese AI labs after Anthropic tightens its defenses — https://the-decoder.com/openais-astra-becomes-the-main-target-for-chinese-ai-labs-after-anthropic-tightens-its-defenses (abgerufen am 2026-10-29)
- [3] DeepSeek and Moonshot trained new models on OpenAI's GPT-6 Astra, report says — AI Chat Daily — https://www.aichatdaily.com/ai-models/deepseek-moonshot-trained-new-models-openai-s-gpt-6 (abgerufen am 2026-10-29)
//Nächster Artikel
OpenAI
Oracle verbindet ChatGPT mit Geschäftsanwendungen und UnternehmensdatenOracle verknüpft ChatGPT mit Fusion, NetSuite und Cloud-Diensten. Mehrere Angebote starten zunächst begrenzt; Preise und allgemeine Starttermine sind offen.

// Artikel teilen
Mehr zu OpenAI & ChatGPT
Alle OpenAI-News- Textnachrichten als neuer Zugang zu OpenAIs Dot-Agenten
OpenAI testet den Textzugriff auf seine Dot-Agenten in den USA: iMessage und RCS sind möglich, Ende-zu-Ende-Verschlüsselung jedoch nicht. [S1][S2]
- OpenAI-Modellwahl: Ted Sanders rät zu einer Abwägung nach Aufgabe und Preis
OpenAI-Mitarbeiter Ted Sanders ordnet die Wahl von GPT-Modellen nach Qualität, Preis und Aufgabe ein – und erklärt, warum Modellgröße allein nicht reicht.
- GPT-6.1 Terra soll Computeraufgaben günstiger automatisieren
OpenAI positioniert GPT-6.1 Terra als günstigen Computer-Agenten. Benchmarks zeigen Fortschritte, die Sicherheitsprüfungen aber auch Grenzen.
- OpenAI verlagert das Training seiner Spitzenmodelle in eine Webkopie
OpenAI will Spitzenmodelle künftig in einer Webkopie statt im Live-Internet trainieren. Was die Maßnahme absichern soll – und was offenbleibt.
// Dranbleiben
Mindverse News folgen
Neue Meldungen erhalten Sie über unseren RSS-Feed oder auf LinkedIn.
Passend dazu in Mindverse Studio
- KI-Chat mit allen führenden ModellenGPT, Claude und Gemini in einer Oberfläche — mit Websuche und Quellenangaben.
- Eigene Modelle und Assistenten trainierenBilden Sie einen digitalen Marken-Experten auf Ihrem Wissen aus.
- Studio mit Ihren Tools verbindenIntegrationen für Microsoft 365, Google Workspace, Slack, Notion und mehr.
Recherchieren Sie KI-News wie diese selbst — mit Mindverse Studio.
7 Tage kostenlos testen — ohne Kreditkarte, mit 200 Credits. Für Fragen zur Umsetzung buchen Sie eine persönliche Demo.
//Chronik