Abschöpfen per API: Was Destillation wirklich kopiert und was die Abwehr bringt
Laut einer Reuters-Recherche ist es in China inzwischen Alltag, eigene KI-Modelle mit Antworten von US-Modellen zu trainieren. Wir erklären, wie dieses Abschöpfen über eine Schnittstelle technisch funktioniert, was die Abwehrmaßnahmen laut Forschung bringen und wofür Destillation reicht: für günstige Spezialmodelle, aber kaum für ein komplettes Spitzenmodell.

Darum geht es
Reuters hat am 17. November mehr als 300 chinesische Dokumente ausgewertet: Fachartikel, Patente, Firmenberichte, Stellenanzeigen und Behördenpapiere. Das Ergebnis: Destillation von US-Modellen ist in China kein Experiment an Universitäten mehr, sondern normale Industriepraxis. Bei der Destillation erzeugt ein starkes „Lehrermodell“ Antworten, mit denen ein kleineres „Schülermodell“ trainiert wird. Peking fördert das. Ein Washingtoner Beamter sagte Reuters, Destillation im industriellen Maßstab sei der „Hauptgrund“, warum chinesische Modelle aufgeholt hätten.
Die meisten Berichte bleiben bei der politischen Frage stehen. Wir schauen uns die Technik an und stellen eine These auf: Über eine API (Programmierschnittstelle) lassen sich vor allem schmale Fähigkeiten billig in kleine Spezialmodelle kopieren. Ein Spitzenmodell entsteht so nicht. Dafür prüfen wir, was die Abwehr laut Forschung bringt, wie man sie umgehen kann und wofür in den Dokumenten tatsächlich destilliert wurde.
Was Reuters tatsächlich belegt
Reuters zufolge empfiehlt ein Maßnahmenpaket „KI+Fertigung“ von acht chinesischen Behörden vom Januar ausdrücklich Training, Feinabstimmung und Destillation für die Industrie. Shanghai und Shenzhen fördern Verfahren, die weniger Rechenleistung brauchen. Dass ausgerechnet US-Modelle destilliert werden sollen, steht in keinem Regierungsdokument. Laut Reuters haben chinesische Entwickler die Aufsichtsbehörde MIIT gefragt, wo die normale Nutzung ausländischer Modelle aufhört und das organisierte Abschöpfen beginnt. Das MIIT hat nicht geantwortet. Firmen bauen inzwischen Software, die den Vorgang automatisiert, und stellen Fachkräfte ein, die das Material aufbereiten. Ein ehemaliger Alibaba-Ingenieur nennt den Vorteil: Eine teure Anfrage liefert wiederholt Nutzen.
Wofür wurde destilliert? Wir haben die konkret belegten Fälle aus mehreren Recherchen zusammengetragen:
| Quelle | Lehrer | Zweck | Schüler |
|---|---|---|---|
| Reuters, Nov. 2024 (Uni Shanghai Jiao Tong) | OpenAI o1, GPT-4o mini | 5.000 Antworten ausgewählt und übersetzt, daraus 10.750 zweisprachige Trainingsbeispiele | Qwen2.5-72B |
| Reuters, Apr. 2025 (Alibaba) | GPT-4, GPT-4o | Trainingsmaterial in anderen Sprachen als Chinesisch | kleinere Qwen-Modelle |
| Reuters, Feb. 2026 (Shanghai Jiao Tong, Meituan) | GPT-4o | Pläne, wie KI-Agenten beim Programmieren zusammenarbeiten | kleineres Modell |
| Reuters, Juli 2026 (Militär) | GPT-3.5 | Militärischen Quellcode zusammenfassen | leichtes Modell für interne Netze |
| Reuters, Juli 2026 (Militär) | Claude 3 Haiku | Künstliche Daten für einen Klassifikator, der soziale Medien überwacht | Klassifikator |
| Anthropic, Feb. 2026 | Claude | DeepSeek: über 150.000 Anfragen (Denkschritte, Bewertung nach Kriterien); Moonshot: über 3,4 Mio. (Agenten, Computersteuerung); MiniMax: über 13 Mio. (agentisches Programmieren) | eigene Modelle |
Die Liste zeigt: Die meisten Fälle sind Übersetzung, künstliche Trainingsdaten und eng umrissene Aufgaben für kleine Modelle. Laut SiliconANGLE stellte Reuters den Einsatz in den Militärpapieren als Versuch dar, teure Denkfähigkeiten in „kleinere Systeme, die man selbst kontrolliert und lokal betreibt“, zu übertragen. Reuters schreibt auch selbst, dass Destillation ein Spitzenmodell nicht komplett nachbauen kann und den Bedarf an Rechenleistung nicht beseitigt.
Etwas anders sehen Anthropics Zahlen aus. Insgesamt geht es um 16 Millionen Anfragen über rund 24.000 gefälschte Konten. Rechnet man nach, entfallen etwa 81 Prozent davon auf MiniMax und weniger als 1 Prozent auf DeepSeek. Die Spitzenlabore wollten also gezielt einzelne Fähigkeiten wie agentisches Programmieren, aber nicht „alles“. Diese Zahlen stammen von Anthropic, die Labore haben sie nicht bestätigt.
So läuft Destillation über eine API
Bei der klassischen Destillation sieht der Schüler die komplette Wahrscheinlichkeitsverteilung des Lehrers. Er lernt also nicht nur „das richtige Wort ist X“, sondern auch „Y wäre fast genauso gut gewesen“. Über eine API bekommt man davon nichts. Bei Denkmodellen lehnt OpenAI die Ausgabe von Wahrscheinlichkeiten (Logprobs) laut Entwicklerforum und Azure-Dokumentation grundsätzlich ab. Übrig bleibt der fertige Text. Der Schüler wird also wie bei normaler Feinabstimmung mit Beispielantworten trainiert, also durch Nachahmung.
Am wertvollsten ist die Denkspur (Chain of Thought), also die Zwischenschritte, mit denen das Modell zur Antwort kommt. Genau die halten die Anbieter zurück. Anthropic zeigt nach eigenen Angaben nur eine Zusammenfassung. Laut Claude-Dokumentation wird trotzdem jedes intern erzeugte Denk-Token berechnet. Die Denkblöcke kommen verschlüsselt zurück und müssen bei der nächsten Anfrage mitgeschickt werden. Wie viel die Zusammenfassung kostet, hat Anthropic gemessen: Ein vortrainiertes Claude-Modell erreichte mit den vollständigen Denkspuren von Claude Opus 4.8 80,4 Prozent im Programmier-Test SWE-bench Verified, mit den zusammengefassten 71,8 Prozent. Unsere Einschätzung: Das ist ein deutlicher Verlust, aber auch die Zusammenfassung bringt noch viel.
Was die Abwehr laut Forschung bringt
| Abwehr | Ergebnis | Einschränkung |
|---|---|---|
| Umformulieren der Antworten (DistillGuard) | Schüler wird kaum schlechter | – |
| Vergiften der Trainingsdaten (DistillGuard) | Schadet vor allem der Gesprächsqualität | Fachliche Fähigkeiten bleiben weitgehend erhalten |
| Denkspur zurückhalten (DistillGuard) | Mathe: 67,8 % → 31,4 % | Beim Programmieren kein Effekt |
| Denkspur umschreiben (Ma u. a.) | Schüler bis zu 61,3 % schlechter auf GSM8K/MATH, Lehrer sogar besser | Kleine Schüler (1–3 Mrd. Parameter) |
| Wasserzeichen in Denkspuren (Ma u. a.) | Erkennung meist 98–100 %, fast keine Fehlalarme | Nur auf GSM8K gemessen |
| Anthropics Gesamtpaket | 90–99 % weniger abgeschöpfte Denk-Tokens | Eigenangabe |
Das DistillGuard-Paper von Bo Jiang prüft neun Abwehrvarianten. Lehrer ist dabei Qwen3-14B, Schüler Qwen2.5-7B, und der Angreifer stellt sich nicht besonders geschickt an. Das Fazit des Autors: Die heutigen Methoden reichen nicht, um Wissensdiebstahl „breit zu verhindern“. Wie gut sie wirken, hängt stark von der Aufgabe ab. Das Umschreiben der Denkspuren aus dem Paper von Xinhang Ma und Kollegen wirkt stärker. Getestet wurde es aber mit einem kleinen Lehrer (DeepSeek-R1-Distill-Qwen-7B) und sehr kleinen Schülern.
Anthropic setzt auf drei Hebel. Erstens wird kontrolliert, wohin Denkspuren wandern dürfen. API-Konten, die ab dem 31. August 2026 angelegt wurden, dürfen den früheren Gesprächsverlauf von Claude nicht mehr verändern, und ältere, schwächer geschützte Modelle können die Denkspuren nicht mehr lesen. Zweitens prüft ein zweistufiger Klassifikator die Anfragen, mit unter 0,1 Prozent Fehlalarmen. Drittens gibt es Sperren und strengere Limits, und seit dem 24. September sind auch blockierte Anfragen kostenpflichtig. Die Zahl von 90 bis 99 Prozent misst laut eSecurity Planet nur, wie viele Denk-Tokens bei verdächtigen Abschöpfern auf Anthropics eigener Plattform ankamen. Unsere Einschätzung: Wer nicht entdeckt wird, taucht in dieser Statistik nicht auf. Anthropic räumt selbst ein, bisher keinen „hochentwickelten, hartnäckigen“ Umgehungsversuch erlebt zu haben. Ob der Vorsprung hält, sei offen.
Die Gegenangriffe
Zwei neue Arbeiten zeigen, dass die Abwehr Lücken hat. Im EMNLP-Paper von Hongyu Zhu und Kollegen (Shanghai Jiao Tong) geht es um das Verfahren SIFT. Es greift das „Antidistillation Sampling“ an, bei dem der Anbieter beim Erzeugen jedes Wortes gezielt Störungen einbaut. Laut den Autoren verstecken solche vergifteten Spuren das Lernbare nur hinter wenigen besonders schwer vorhersagbaren Tokens. Wer diese Stellen gezielt herausfiltert, holt bis zu 21 Prozent mehr heraus als mit normalem Training. Ihr Rat: Eine gute Abwehr muss senken, wie viel sich aus einer Spur überhaupt lernen lässt, statt nur möglichst viel Überraschung einzubauen.
Noch direkter ist das Paper „Stealing Reasoning Traces from Proprietary LLM APIs“ (Panfilov, Andriushchenko u. a., August 2026). Die verschlüsselten Denkblöcke von Anthropic, OpenAI und Google ließen sich in ein schwächeres Modell desselben Anbieters einspeisen, und das gab sie dann im Klartext aus. Ob die zurückgeholten Texte echt sind, prüften die Autoren laut Developers Digest vor allem so: Sie verglichen auf 120 Codeforces-Aufgaben die von der API gemeldete Zahl an Denk-Tokens mit der Länge des zurückgeholten Textes. Unsere Einschätzung: Gleiche Länge heißt nicht gleicher Inhalt. Als Beweis für eine wortgetreue Rekonstruktion reicht das nicht. Unabhängig nachgestellt hat den Angriff der Sicherheitsforscher Johann Rehberger gegen OpenAI. Laut Cloud Security Alliance funktionierten die veröffentlichten Tricks ab Mitte August nicht mehr. Dass Anthropic ab dem 31. August älteren Modellen das Lesen der Denkspuren verbietet, passt zeitlich und inhaltlich genau dazu. Ob das eine direkte Reaktion war, sagt Anthropic nicht.
Der „Hauptgrund“ für Chinas Aufholjagd?
Für Washingtons These spricht Anthropics Bericht vom Oktober. Danach hat Zhipu für GLM-5.3 gezielt Cyber-Fähigkeiten aus US-Modellen destilliert. Bei schmalen Aufgaben funktioniert Destillation nachweislich sehr gut. DeepSeek hat seine eigenen Denkketten in Qwen-32B destilliert, mit 800.000 Beispielen. Laut Modellkarte schlägt das Ergebnis OpenAIs o1-mini bei AIME 2024 (72,6 zu 63,6), liegt beim Programmieren auf Codeforces aber dahinter (1691 zu 1820). Dafür hatte DeepSeek aber vollen Zugriff auf seinen eigenen Lehrer, und den hat ein Abschöpfer nicht.
Gegen die These spricht ein Befund aus Berkeley. Das Paper „The False Promise of Imitating Proprietary LLMs“ zeigte, dass das Nachahmen vor allem den Stil überträgt. Mehr Nachahmungsdaten schließen die Lücke nicht, entscheidend ist ein besseres Basismodell. Beim Vorwurf gegen Moonshot nannte Braden Hancock (Laude Institute) laut Implicator die Zeitspanne von zwei Wochen zwischen dem Start von Claude Fable und der Vorschau auf Kimi K3 zu kurz für eine Destillation. Der Forscher Nathan Lambert hielt den Anteil für gering. Belege legte das Weiße Haus nicht vor. Moonshot führt die Fortschritte auf eigene Architektur zurück.
Einordnung
Unsere Einschätzung: Die Reuters-Dokumente stützen vor allem eine engere Aussage. Destillation ist in China ein günstiges Werkzeug für die Breite: übersetzen, Daten erzeugen, kleine Modelle für Fabriken, Behörden und das Militär. Als Beleg dafür, dass Chinas Spitzenmodelle im Kern kopiert sind, taugen die belegten Fälle nicht. Ein Grund zur Entwarnung ist das nicht. Gezielt abgeschöpfte Fähigkeiten wie agentisches Programmieren oder Cyber-Know-how können eigene Entwicklungsarbeit abkürzen, und gerade solche Fähigkeiten sind sicherheitsrelevant.
Technisch zeigt sich: Am meisten bringt es, die Denkspur zurückzuhalten, und genau darauf setzen die Anbieter. Jede Schutzschicht hat aber schon eine veröffentlichte Gegenmaßnahme. Die Erfolgszahlen messen bisher nur, was entdeckt wurde. Offen ist auch die rechtliche Grenze. Ein US-Gesetzentwurf will Training ausnehmen, das sich an die Nutzungsbedingungen hält. Chinas Entwickler warten dagegen noch auf eine Antwort ihrer Aufsichtsbehörde, was erlaubt ist.
Quellen
- Reuters (via Investing.com): China taps US AI models to train homegrown rivals investing.com
- Reuters (Original) reuters.com
- Startup Fortune: Reuters finds Chinese labs training rivals on OpenAI model answers startupfortune.com
- SiliconANGLE: China distilling U.S. frontier models for military AI siliconangle.com
- arXiv: DistillGuard arxiv.org
- arXiv: Protecting Language Models Against Unauthorized Distillation through Trace Rewriting arxiv.org
- ACL Anthology: On the Learnability of Antidistillation Reasoning Traces (EMNLP Findings 2026) aclanthology.org
- Hugging Face Papers: Stealing Reasoning Traces from Proprietary LLM APIs huggingface.co
- Cloud Security Alliance: The Chain-of-Thought Encryption Illusion labs.cloudsecurityalliance.org
- Developers Digest: Stealing reasoning traces developersdigest.tech
- Anthropic: Strengthening our defenses against distillation attacks anthropic.com
- Anthropic: Detecting and preventing distillation attacks anthropic.com
- eSecurity Planet: Anthropic Claude distillation defenses esecurityplanet.com
- Implicator: Moonshot denies distilling Fable implicator.ai
- arXiv: The False Promise of Imitating Proprietary LLMs arxiv.org
- Hugging Face: DeepSeek-R1 Modellkarte huggingface.co
- OpenAI Community: Logprobs bei Reasoning-Modellen community.openai.com
- Huxiu: US-Behörden stufen KI-Destillation als Sicherheitsfrage ein huxiu.com
Frag den KI-Assistenten
Fragen zu diesem Artikel, zur Installation oder zu Hintergründen? Unser Assistent kennt diese Seite und läuft auf unserem eigenen Rechner, nicht in einer fremden Cloud.
Der Assistent ist eine KI (Gemma 4) und kann sich irren – wichtige Angaben bitte in der Quelle prüfen. Fragen werden nur zum Beantworten genutzt und nach einer Stunde gelöscht. Bitte keine persönlichen Daten eingeben.
Kommentare
Was meinst du dazu? Schon ausprobiert? Schreib es hier, ohne Anmeldung.
Kommentare sind öffentlich. Links sind nicht erlaubt, beleidigende Beiträge löschen wir. Deinen eigenen Kommentar kannst du in diesem Browser jederzeit wieder löschen. Mehr dazu in der Datenschutzerklärung.