2026 年 9 月，Anthropic 發布報告，點名阿裏、DeepSeek、月之暗面、智譜、小米、商湯、MiniMax 七家中國公司，指控它們以各種方式「蒸餾」Claude 模型的能力。報告列出的數字相當驚人：阿裏被指在 5 到 7 月間產生 1.5 億次交互；DeepSeek 被指在 14 天內把 1200 萬次用戶請求轉發給 Claude；月之暗面被指把近 30 萬真實用戶的問題直接交給 Claude 代答。這些都是 Anthropic 單方面的指控，被點名的公司大多沒有回應，真相仍有待查證。
不過，吵歸吵，有一個技術問題值得先搞清楚：蒸餾到底是什麼？為什麼模型公司這麼怕它？
同一時間，美國國安體系也曾以「工業化蒸餾」為由點名六家中國 AI 企業，相關的指控與蒸餾界線之爭的分析可以對照著看。這篇文章要做的，是把這個詞的技術內涵講明白。
蒸餾：讓小模型跟大模型學
蒸餾（Distillation）的思路很樸素：讓一個小模型，學一個大模型的行為。大模型能力強，但跑一次要消耗大量 GPU；小模型便宜，卻沒那麼聰明。解法是讓大模型當老師、小模型當學生。老師做一百萬道題，把答案連同思考過程記下來，學生對著這批標準答案做監督學習。
流程聽起來很合理，但有一個致命缺陷：學生犯錯時，沒人管。
想像學生模型解一道數學題。老師的標準答案是「先配方，再求根」，但學生沒學會配方，自己走了一條歪路，先對兩邊同乘 x，這步錯了，後面全錯。問題在於，老師不會犯錯，所以老師的作業本裡從來沒有出現過「兩邊同乘 x」這種錯誤路徑。學生只看過正確答案，一旦生成時走偏，就進入老師從未示範過的地帶，之後產生的每個 token 都越來越歪，一路錯到底。
這叫暴露偏差（exposure bias）：訓練時學生只見過標準答案，生成時卻要面對自己的錯誤，兩者的資料分布完全不同。就像教練只給你看世界冠軍的滑冰錄影，從不告訴你起跳姿勢錯了會怎樣。結果你一上冰場，第一個動作就走樣，後面全部變形，錄影完全幫不上忙。
強化學習的解法，與新的麻煩
強化學習（RL）換了個思路：不看老師的錄影了，讓學生自己生成答案，然後給獎勵訊號，答案對就是不對。學生自己生成的內容，就算全錯也會被打分，模型得以從自己的錯誤中學習，暴露偏差的問題解決了。
但新麻煩上場：獎勵太稀疏。一道題生成一百個 token，最後只給一個對或不對的訊號，中間九十九個 token 哪步走對、哪步走錯，模型完全不知道。就像考卷只給你總分，不告訴你哪題錯了，學習效率極低。代價直接反映在算力帳單上：Qwen3 用 RL 訓練，花了 17920 個 GPU 小時，AIME 數學競賽成績是 67.6%。
OPD：學生自己作答，老師逐字批改
2025 年底到 2026 年，一種叫 OPD（On-Policy Distillation，在線策略蒸餾）的方法火了起來。Qwen3 的技術報告顯示，它只花 1800 個 GPU 小時，就把成績推到 74.4%，效率接近純 RL 的十倍。
它的做法，是各取蒸餾與 RL 的長處。學生自己生成答案，這是 RL 的路數，訓練的是學生自己的分布而非老師的分布；老師則對每個 token 逐字打分，這是蒸餾的路數，每個位置都有密集訊號，不必等最後的總分。
關鍵在第二步。老師不再負責生成標準答案，而是變成一臺逐字批改機：學生每寫一個 token，老師就在旁邊說這個字寫得好，或這個字不對。打分用的數學工具是逆向 KL 散度，這個選擇講究之處在於衡量分布差距的方向，本文先不展開數學細節。
效果數字相當突出。有實驗從 60% 成績的檢查點出發，OPD 只用 150 步就達到 70%；另一個更誇張的案例是在單一 prompt 上連訓 20 步，模型就恢復到老師水準，而同樣情境下的 RL 只會死記硬背。
所以呢
回到開頭那份報告。無論指控最終是否成立，蒸餾在技術上本來就是公開且廣泛使用的方法，業界真正的爭執點在於界線：用自己的模型對著 API 大量生成訓練資料，算正當的學習，還是違反服務條款的搬運？這條線目前說不清楚，也是這類報告每隔一段時間就會引爆爭議的原因。
對一般開發者與關注 AI 產業的人，這件事留下兩個實用的判斷點。第一，看到「某公司蒸餾某模型」的指控，先分辨它指的是正規的模型壓縮技術，還是把大量用戶請求轉發給他廠 API 的行為，兩者性質完全不同。第二，OPD 這類方法的意義不只是分數提升，而是訓練成本的量級下降；當訓練一個接近前沿水準的小模型的算力門檻持續降低，模型能力的擴散速度，恐怕會比任何一份報告的指控都快。