五、可操作的法律分析框架

对任何模型蒸馏争议，可按七个问题逐层判断。

第一，访问来源。教师模型是自有模型、开源模型、授权合作模型，还是闭源 API？如果是开源模型，许可证是否允许商用、再分发、输出训练和蒸馏？如果是闭源 API，服务条款是否禁止竞争性训练、自动化抓取或规避限制？

第二，访问身份。访问账户是否真实、授权和合规？是否使用虚假个人信息、虚假企业主体、他人凭证、代理网络、验证码绕过、批量注册或地理位置规避？身份和访问方式决定争议是否从普通违约升级为欺骗性访问或更严重责任。

第三，行为规模和自动化。少量评测、互操作测试和安全红队，与千万级交互、模板化提示和持续抓取，法律性质不同。规模越大，越容易证明训练目的和竞争性提取。

第四，训练数据内容。输入中是否包含个人信息、重要数据、商业秘密、客户数据或受版权保护内容？输出是否包含第三方受保护表达？在跨境场景下，数据类别和规模可能比蒸馏本身更快触发合规义务。

第五，竞争关系和替代效果。学生模型是否服务于相同客户、相同任务和相同市场？是否以教师模型输出复制其核心能力、风格或安全边界？内部研究、合规测试和商业替代之间存在明显差异。

第六，技术证据。应综合访问日志、提示词模板、训练集版本、模型输出相似性、水印继承、错误模式、拒答模式、内部文档和人员沟通。单一输出相似不足以定案，证据链必须解释为什么相似性不能由公开数据、同源架构或独立研发造成。

第七，救济可执行性。跨境争议中，即便服务商在美国获得判决，对中国实体执行仍可能困难；中国企业在境外主张权利也面临同样问题。因此，实际治理往往更多依赖账户封禁、速率限制、身份验证、云服务合作、出口管制和商业谈判。

点击可查看大图

六、回到开头争议：如何适用框架

将前述框架用于具体争议时，首先应把事实拆成三组：第一组是“入口事实”，即教师模型的来源、访问渠道、许可文本和账户身份；第二组是“行为事实”，即调用规模、自动化程度、是否使用代理或虚假账户、输出是否进入训练数据集；第三组是“结果事实”，即学生模型是否进入同一市场、是否替代教师模型服务、是否继承特定错误模式、水印、拒答策略或安全边界。只有把这三组事实连起来，才能从“模型能力相似”推进到“是否存在未授权蒸馏”，再进一步判断违约、商业秘密、不正当竞争或监管介入的可能性。

在证明责任上，提出指控的一方通常需要证明访问、提取、训练和竞争损害之间存在足够紧密的链条；被指控方则应当通过许可证、数据来源、训练日志、模型评估、供应商合同和内部权限记录证明独立研发或授权使用。以下倾向性判断均建立在公开资料和单方披露尚未经过司法检验的前提上，因此更接近风险评估，而不是事实认定。

1. DeepSeek-R1 的开源蒸馏模型

就 DeepSeek 官方披露的 R1 蒸馏模型而言，其事实基础是：DeepSeek 使用 DeepSeek-R1 生成的推理数据，对 Qwen 和 Llama 系列基础模型进行微调，并发布多个蒸馏 checkpoint。该路径本身属于模型所有者对自有模型输出的再利用，法律风险主要来自基础模型许可证兼容性、下游再分发条件和商标标识，而不是“蒸馏”二字本身。

倾向性判断是：仅就官方开源蒸馏模型而言，争议重点不应放在“是否蒸馏”，而应放在“是否遵守开源及基础模型许可证”。如果第三方进一步蒸馏 DeepSeek-R1 或 R1-Distill 模型，分析也应从许可证开始。宽松许可证通常允许学习、改造和商用，但 Llama 等基础模型可能包含额外规模或用途限制。企业不能只看“开源”标签，而应保存许可证快照、基础模型来源、权重版本、训练数据来源和下游分发条件。

2. 若闭源 API 输出被用于训练竞争模型

假设某公司通过 OpenAI、Anthropic 或 Google 的闭源 API，大规模获取输出并训练直接竞争模型，且条款明确禁止此类使用，那么该训练行为首先面临较高的合同违约风险。版权侵权未必成立，因为 AI 输出的可版权性有限；商业秘密主张需要证明大规模输出采集能够不当地获取模型秘密；CFAA 需要额外证明未经授权访问或技术性规避；中国法下的不正当竞争则需证明违背商业道德、竞争关系、实质替代和损害。

倾向性判断是：单纯违反反蒸馏条款，最稳妥的责任基础仍是合同违约；若行为还伴随虚假账户、代理网络、规避地域限制、分散支付和隐藏真实主体，此时，争议不再只是“输出能否训练模型”，而是“行为人是否以欺骗方式取得本不应取得的服务资源”。在诉讼和监管场景中，欺骗性身份与组织化规避的证明往往比抽象的蒸馏概念更能支撑责任认定。

3. Anthropic 指控的证明难题

Anthropic 关于DeepSeek、MiniMax 等公司的指控，如果属实，将在合同、访问控制和不正当竞争层面产生较高风险。但目前公开资料主要是媒体报道和 Anthropic 单方信函，仍需要区分三层事实：一是是否存在相关账户和调用；二是这些账户能否被可靠归因至相关公司或其代理人；三是输出是否实际进入了相关模型训练管线并形成竞争能力。

倾向性判断是：这类指控如果停留在 API 异常和输出相似层面，证明力有限；如果能够补足账户归因、内部沟通、训练数据流向和模型行为继承的证明，则指控事实被法院认定的可能性会明显上升。归因尤其困难。API 日志可以证明某些账户有异常调用，但从账户到公司、从调用到训练、从训练到模型能力，仍需补充证据。相反，被指控方若能提供独立研发记录、数据集版本、训练脚本、模型评估日志、供应商合同和内部访问控制记录，将有助于反驳不当蒸馏指控。

4. 监控、封禁和隐藏降级的边界

闭源模型厂商为了防止未授权蒸馏，通常会采用速率限制、异常行为检测、账户验证、水印、输出追踪和服务暂停。上述措施作为合同执行和系统安全工具具有合理性。但如果服务商在不通知用户的情况下“静默降级”特定研究查询、隐藏改变输出质量，或者对合法研究和竞争评测一概封禁，就可能引发消费者保护、反垄断、科研自由和透明度争议。反蒸馏措施越接近对用户输出质量和研究路径的实时干预，就越需要清晰告知、可申诉机制和比例原则约束。

5. 在美国提起诉讼或请求监管介入

在美国，模型服务商最现实的私法救济路径是向有管辖权的州法院或联邦法院提起合同、商业秘密或相关侵权诉讼，并在紧急情况下申请临时限制令或初步禁令。合同诉讼的可行性最高，但通常只能约束签约账户主体；商业秘密诉讼可以依据 DTSA 主张模型权重、训练方法、安全策略和系统化输出分析所反映的信息受到保护，但证明“API 输出如何不当取得秘密”难度较高；CFAA 或刑事路径只有在存在盗用凭证、绕过认证、入侵系统或类似技术性规避时才更有可能成立。

监管介入方面，FTC 可依据 15 U.S.C. §45 处理“不公平竞争方法”以及“不公平或欺骗性行为”，并可启动行政程序、发布停止令，相关命令还可接受法院审查。[14]但 FTC 介入通常要求案件具有公共利益、消费者或竞争秩序影响，单纯的双边 API 违约不一定足以触发。若事实同时涉及出口管制、制裁规避、对受限芯片或云算力的获取，美国商务部（BIS）、财政部（OFAC）或司法部（DOJ）介入的可能性会上升；但这类路径更依赖国家安全和域外执行考量，不是普通权利人可以完全控制的民事救济。

6. 在中国提起诉讼或请求监管介入

在中国，权利人可以考虑以合同违约、侵害商业秘密或不正当竞争为由提起民事诉讼。若被告在中国境内设有主体、资产、服务器、用户市场或主要行为连结点，管辖和执行的可行性较高；若争议主要发生在境外闭源 API 与境外账户之间，仅以中国法院解决全部争议会面临管辖、送达、证据调取和判决执行障碍。不正当竞争路径的吸引力在于其能够处理“难以归入版权或专利，但明显攫取竞争利益”的行为；其难点在于仍需证明竞争关系、行为不正当性、损害结果及因果关系。

监管介入方面，若跨境模型蒸馏项目涉及向境外提供个人信息、重要数据或敏感业务数据，向网信部门主张数据出境、安全评估或个人信息保护问题，比单纯主张“模型被蒸馏”更容易形成明确监管抓手。若行为体现为组织化虚假宣传、混淆来源、侵犯商业秘密或扰乱市场竞争秩序，可向市场监管部门投诉；若涉及盗号、非法获取个人信息、入侵系统或买卖身份资料，则可能进入公安机关或刑事程序。整体上，监管介入的可能性取决于是否存在清晰的国内连结点、数据安全风险、消费者或市场秩序影响，而不仅取决于模型能力是否相似。

七、地缘政治影响与法律监管的张力

蒸馏争议在普通商业纠纷之外，还被嵌入中美 AI 竞争。美国模型厂商担心，未授权蒸馏会降低追赶前沿模型的成本，削弱其通过高额研发投入维持领先的商业基础，并使安全对齐边界被剥离。美国政策界则倾向把蒸馏与芯片出口管制、算力基础设施、云服务访问和国家安全联系起来。

这种联系并非凭空产生。美国商务部自2022年起通过《出口管理条例》框架对先进计算芯片、含有相关芯片的计算产品、超级计算用途和部分半导体制造项目增加管制，并将部分外国直接产品规则扩展至相关场景。[15]这些规则的政策逻辑是限制特定对手获得训练和部署前沿模型所需的算力基础。蒸馏争议则使政策讨论进一步延伸：如果前沿能力可以通过 API 输出被低成本迁移，那么仅限制芯片是否足够、是否还应限制云访问、模型 API、身份验证和威胁情报共享，就成为新的政策问题。

这种安全化叙事有现实基础，但也存在扩张风险。首先，把所有跨境蒸馏或相似能力都描述为“盗窃”，会压缩合法的开源创新、学术研究和互操作评测空间。其次，过度依赖出口管制和主体限制，可能推动被限制国家更快投入开源生态、国产算力和自主工具链。再次，若模型厂商以国家安全为名强化私有条款和隐藏监控，法律监管可能从保护创新转向保护既有市场地位。

相应地，中国企业也面临合规压力。一方面，美国闭源 API 的访问限制、所有权限制和出口管制提高了合规成本；另一方面，中国的数据出境、安全评估、算法备案和内容治理要求又限制了训练数据和模型服务的跨境流动。企业如果试图通过灰色代理、境外账户或第三方中转规避这些限制，短期可能获得模型能力，长期则会积累证据和制裁风险。

对监管者而言，难点在于蒸馏既可能降低技术门槛，也可能扩大技术滥用面。一个小模型通过蒸馏获得强推理、代码生成或工具调用能力后，部署成本更低、传播更快、审计更难；但同样的特征也能让中小企业和研究机构获得原本只有大型实验室才能承担的能力。因此，监管若过度强调封锁，会抑制技术普惠；若完全放任，则可能鼓励灰色提取和安全边界剥离。合理的政策应把“授权蒸馏、开源蒸馏、研究评测、欺骗性提取”分别处理。

更合理的监管目标不是禁止蒸馏，而是区分四类情形：自有或授权蒸馏应被鼓励；开源许可下的蒸馏应被尊重；安全研究和互操作评测应有明确边界和安全港；欺骗性、组织化、竞争性提取则应承担相应责任。只有将行为类型拆开，法律才能避免被地缘政治叙事吞没。

八、企业合规建议

企业处理蒸馏问题时，不宜先按企业注册地和经营地划线，而应先按模型来源和访问条件划线。第一层问题是“教师模型或输出是否被授权用于训练”：开源模型看许可证，闭源模型看服务条款和访问控制。第二层问题才是数据出境、出口管制、制裁、行业监管和国家安全等外部约束。换言之，合规判断应从“开源/闭源”这一基础法律关系出发，再叠加跨境和监管因素。

开源模型路径

先读许可证，而不是只看“开源”标签。MIT、Apache 2.0 等宽松许可证通常允许复制、修改、商用和再训练，但部分开放模型仍可能设置规模、用途、再分发、商标或可接受使用限制。企业应保存许可证快照、基础模型来源、权重版本、模型卡和下游分发条件。

区分权重许可和输出许可。有些项目允许使用权重，但对模型名称、衍生模型标识或特定用途有约束；也有项目明确允许输出用于合成数据和蒸馏。训练前应确认“权重、代码、输出、数据集”分别受何种许可约束。

保留可审计的来源链。对基础模型、教师模型、微调数据、合成数据和评测集建立来源台账。若后续被质疑为未授权蒸馏，能够说明模型能力来自开源教师模型、自有训练数据或授权数据，而不是闭源 API 输出。

控制下游再分发风险。发布蒸馏模型时，应同步披露基础模型许可证、衍生模型限制、训练数据概况和安全评估结论；对企业客户还应提供许可证兼容性说明。

闭源模型/API 路径

把服务条款作为第一道边界。使用闭源 API 前，应逐条确认是否禁止竞争模型训练、自动化提取、批量调用、反向工程、规避速率限制或绕过地域限制。只要条款明确禁止，蒸馏项目即使技术上可行，也会首先落入合同风险。

禁止灰色访问。不使用虚假身份、借名账户、代理网络、分散支付或绕过地域限制的方式访问模型；供应商、外包团队、研究合作方和云服务代理也应纳入同等控制。

建立清洁室和数据隔离。将竞品评测、模型能力研究和训练团队隔离，避免直接将闭源 API 输出进入训练集。必要时只允许非训练团队形成抽象功能规格，并保留人员权限、样本流转和数据删除记录。

服务提供方应提高条款和执法透明度。明确“竞争模型”、“训练”、“微调”、“安全研究”、“内部基准测试”和“合成数据”的含义；速率限制、身份验证、模型回退和账户封禁应有告知、申诉和复核机制，避免因隐藏干预或过度监控引发反竞争质疑。

补充监管视角：数据、出口管制与制裁

数据合规。无论教师模型开源或闭源，只要训练、评测或合成数据涉及个人信息、敏感个人信息、重要数据、客户保密信息或第三方作品，都应单独审查数据来源、处理目的、授权基础、跨境传输和删除机制。使用境外 API 时尤其需要判断是否构成数据出境。

出口管制和制裁。蒸馏行为本身通常先由许可证和合同评价，但如果项目同时涉及先进芯片、云算力、受限主体、受限最终用途、模型能力向境外转移或规避制裁安排，就需要另行审查美国 EAR、OFAC 制裁规则、中国出口管制规则及其他适用法域的清单和许可要求。此类规则变化较快，应按项目发生时点逐项核查。

证据和治理。企业应保存许可证、服务条款、访问日志、训练数据来源、模型版本、评测结果、供应商合同、出口管制筛查记录和数据跨境评估记录。对欺骗性、组织化、大规模提取，应尽早评估禁令、投诉、监管报告和账户封禁路径；对授权蒸馏和开源蒸馏，则应通过可审计记录证明其正当性。

供应链管理。蒸馏项目往往涉及云服务、标注外包、数据清洗、模型评测和部署运维多个环节。企业应将反蒸馏条款、数据处理义务、出口管制承诺、审计权和删除义务写入供应商合同，避免外包团队以灰色账户访问闭源模型，或在交付数据集中混入来源不明的 API 输出。

九、结论与思考

大模型蒸馏让法律面对一个困难问题：传统知识产权法保护的是作品、发明、商业秘密和商标，而大模型的核心价值往往表现为能力、风格、推理路径和行为边界。这些对象既不像权重那样封闭，也不像普通公开文本那样可自由再利用。以既有法律框架处理蒸馏争议，需要从“权利对象”转向“行为过程”：访问是否被授权，条款是否明确，数据是否合规，手段是否欺骗，竞争是否直接，证据是否可靠，救济是否合比例。

应保护模型开发者对闭源服务的合理访问控制和投资收益，也应保护开源生态、独立研发、安全研究和合规学习的空间。蒸馏治理不宜走向“凡学习皆侵权”，也不宜放任“凡输出皆可抓取”。最可行的制度路径，是建立行为分层规则、审计和可追溯机制、研究安全港、跨境数据合规通道，以及对欺骗性工业规模提取的明确责任。

对企业而言，最实际的落点是把蒸馏纳入模型治理，而不是把它留给工程团队临场判断。项目立项时确认许可和条款，数据进入训练集前确认来源和出境路径，模型发布前确认下游许可证和安全评估，争议发生时能够拿出日志、样本、版本和审批记录。这样既能保留蒸馏带来的效率红利，也能在中美监管和产业竞争不断升温的环境中，避免把技术选择演变成合同、数据、竞争和出口管制的复合风险。

[主要资料来源] 

14.15 U.S.C. § 45，FTC Act Section 5。

15.Federal Register, BIS advanced computing and semiconductor export controls, 87 FR 62186。