Distillation : OpenAI dit avoir réduit l'extraction de raisonnement à 0,2 %, le jour où un rapport du Congrès vise les modèles ouverts chinois
Le 20 novembre, OpenAI a détaillé ses défenses contre la « distillation adverse », qui consiste à entraîner un modèle concurrent sur les réponses du sien : le taux de réussite d'une attaque testée passe de 54 % à 0,2 % sur GPT-6.2 Astra. Le même jour, deux présidents de commission de la Chambre des représentants ont publié un rapport de 50 pages qui recommande d'écarter les modèles chinois des systèmes fédéraux, en s'appuyant sur les cas d'Airbnb, de Cursor et de DoorDash.

Deux publications sont sorties le même jour, vendredi 20 novembre, à Washington et à San Francisco. Elles racontent la même histoire. OpenAI a détaillé comment il se défend contre la « distillation adverse » : un concurrent entraîne son propre modèle sur les réponses de GPT, et en récupère les capacités sans les garde-fous. Le même jour, deux présidents de commission de la Chambre des représentants ont publié un rapport d’enquête de 50 pages. Il demande d’écarter les modèles d’IA chinois à poids ouverts des systèmes fédéraux, et affirme qu’une grande partie de leurs progrès vient justement de cette distillation.
Ce que protège OpenAI : le raisonnement caché
La cible principale est le raisonnement protégé, les étapes intermédiaires qu’un modèle comme GPT-6.2 Astra produit avant de répondre, sans que l’utilisateur les voie. Selon OpenAI, ces traces contiennent des informations que la réponse finale omet, et sont donc des données d’entraînement particulièrement précieuses pour un modèle « élève ».
OpenAI publie une étude interne pour le montrer. Un modèle élève a été entraîné sur des tâches de code et de cybersécurité défensive résolues par un modèle de niveau Astra. Après l’entraînement supervisé, l’élève nourri des traces exactes a généralement fait mieux que celui nourri des résumés de raisonnement visibles par l’utilisateur. Après une phase d’apprentissage par renforcement, l’avantage ne subsistait qu’avec le plus gros budget de calcul testé.
Les résultats des tests d’attaque, mesurés par OpenAI avec six modèles attaquants automatisés :
| Taux de réussite de l’attaque (évaluation interne) | GPT-6 Astra, garde-fous d’origine | GPT-6.2 Astra, garde-fous renforcés |
|---|---|---|
| Extraire le raisonnement d’une requête précédente | 54,0 % | 0,2 % |
| Extraire le raisonnement de la requête en cours | 22,9 % | 0,9 % |
Côté API, le raisonnement est désormais lié à l’historique qui l’a produit : si un développeur réécrit un message antérieur, l’API abandonne le raisonnement qui suivait. En septembre, OpenAI avait décrit des attaques qui transplantaient un raisonnement chiffré dans une autre conversation pour le faire révéler ; il dit avoir depuis renforcé les cloisons entre utilisateurs, espaces de travail et organisations. Les anciennes familles de modèles, moins protégées, ne peuvent plus lire celui de GPT-6.2. OpenAI dit aussi agir chaque semaine contre des réseaux allant de quelques milliers à plusieurs dizaines de milliers de comptes. Il rappelle avoir informé le Congrès, en février, de tentatives de distillation attribuées à DeepSeek, puis avoir attribué en septembre une partie d’une campagne à des personnes associées à Moonshot AI, l’éditeur de Kimi.
Le rapport du Congrès : Airbnb, Cursor et DoorDash en exemples
Le rapport est signé par Andrew Garbarino, président de la commission de la Sécurité intérieure, et John Moolenaar, président de la commission spéciale sur la Chine, tous deux républicains. L’enquête a été ouverte en avril et s’appuie sur trois entreprises américaines :
| Entreprise | Modèles chinois cités | Usage décrit dans le rapport |
|---|---|---|
| Airbnb | Qwen 2.5, 3 et 3.5 (Alibaba) | Assistant client (environ 80 000 échanges par jour) et résumé d’environ 250 000 dossiers et appels par jour |
| Anysphere (Cursor) | Kimi K2.5 (Moonshot AI) | Base de Composer 2, le modèle maison de Cursor, un fait devenu public après l’identification par un développeur indépendant |
| DoorDash | Qwen, DeepSeek, Kimi, GLM, MiniMax, ByteDance | 25 familles de modèles autorisées et déployées de façon significative (au moins 5 000 dollars de calcul) ; remplacer l’une d’elles prendrait jusqu’à six mois |
Le rapport chiffre l’ampleur du phénomène à partir de sources publiques. Sur OpenRouter, la part des modèles à poids ouverts dans les jetons des requêtes venues des États-Unis serait passée de 26 % en septembre 2025 à 60 % en août 2026, surtout au profit des modèles chinois. Les modèles chinois auraient représenté 41 % des téléchargements sur Hugging Face en un an, et la famille Qwen compterait plus de 151 000 modèles dérivés. Selon le rapport, le meilleur modèle américain à poids ouverts n’est que 10e de l’indice Artificial Analysis le plus récent, derrière six modèles chinois. Dans le classement de septembre, le meilleur modèle américain à poids ouverts était Inkling, de Thinking Machines Lab, dont l’entraînement initial a utilisé des données synthétiques produites notamment par Kimi K2.5, selon le laboratoire cité par le rapport. Le même laboratoire vient de publier Inkling 2 Mini.
Les 12 recommandations vont au-delà de la seule interdiction. Le rapport demande d’interdire les modèles chinois dans les systèmes et les contrats fédéraux, de les retirer des fonctions à haut risque des infrastructures critiques et de bloquer les subventions fédérales de cybersécurité pour les acheter. Il propose aussi une initiative nationale de modèles américains à poids ouverts, une norme de provenance des modèles avec une « nomenclature » de leurs composants, des sanctions contre les distillateurs, et un examen des ventes de données d’entraînement américaines aux laboratoires chinois.
Notre lecture
Les deux textes se répondent : OpenAI fournit l’argument technique, le Congrès en tire des conséquences politiques. Il faut pourtant les lire pour ce qu’ils sont. Les taux d’attaque d’OpenAI sont mesurés par OpenAI, et les attributions de distillation reposent sur des déclarations d’entreprises et d’agences qu’on ne peut pas vérifier publiquement. Le rapport, lui, n’a pas force de loi : ce sont des recommandations de deux présidents de commission de la majorité, qui ne concernent que les États-Unis. Le rapport reconnaît aussi le vrai moteur de l’adoption : les entreprises choisissent ces modèles parce qu’ils sont bon marché, modifiables, et qu’il n’existe pas d’équivalent américain au même prix. Pour une entreprise européenne qui utilise Qwen ou Kimi, rien ne change à court terme. La demande de traçabilité, savoir quel modèle tourne où et d’où il vient, risque en revanche de s’imposer dans les contrats avec des clients américains.
Sources
- OpenAI — Combatting adversarial distillation (20 novembre 2026) Source primaire
- Commission de la Sécurité intérieure de la Chambre des représentants — communiqué du rapport commun (20 novembre 2026) Source primaire
- Rapport commun des commissions de la Chambre sur les modèles d'IA chinois (PDF, 20 novembre 2026) Source primaire
Une source primaire émane directement de l'entreprise, du laboratoire ou de l'organisme concerné. Une source secondaire rapporte l'information sans en être l'auteur : nous la signalons comme telle. Une erreur ? Consultez notre politique de correction.


