Destilação: OpenAI diz ter reduzido a extração de raciocínio a 0,2%, no dia em que um relatório do Congresso mira os modelos abertos chineses
Em 20 de novembro, a OpenAI detalhou suas defesas contra a “destilação adversarial”, que consiste em treinar um modelo concorrente com as respostas do seu: a taxa de sucesso de um ataque testado cai de 54% para 0,2% no GPT-6.2 Astra. No mesmo dia, dois presidentes de comissão da Câmara dos Representantes publicaram um relatório de 50 páginas que recomenda afastar os modelos chineses dos sistemas federais, com base nos casos de Airbnb, Cursor e DoorDash.

Duas publicações saíram no mesmo dia, sexta-feira, 20 de novembro, em Washington e em San Francisco. Elas contam a mesma história. A OpenAI detalhou como se defende da “destilação adversarial”: um concorrente treina o próprio modelo com as respostas do GPT e herda suas capacidades sem as proteções. No mesmo dia, dois presidentes de comissão da Câmara dos Representantes publicaram um relatório de investigação de 50 páginas. O documento pede que os modelos de IA chineses de pesos abertos fiquem fora dos sistemas federais e afirma que boa parte do seu progresso vem justamente dessa destilação.
O que a OpenAI protege: o raciocínio oculto
O alvo principal é o raciocínio protegido, as etapas intermediárias que um modelo como o GPT-6.2 Astra produz antes de responder, sem que o usuário as veja. Segundo a OpenAI, esses rastros contêm informações que a resposta final omite, o que os torna dados de treinamento especialmente valiosos para um modelo “aluno”.
A OpenAI publica um estudo interno para mostrar isso. Um modelo aluno foi treinado com tarefas de programação e de cibersegurança defensiva resolvidas por um modelo de nível Astra. Depois do treinamento supervisionado, o aluno alimentado com os rastros exatos em geral se saiu melhor do que o alimentado com os resumos de raciocínio visíveis ao usuário. Depois de uma fase de aprendizado por reforço, a vantagem só se manteve com o maior orçamento de computação testado.
Os resultados dos testes de ataque, medidos pela OpenAI com seis modelos atacantes automatizados:
| Taxa de sucesso do ataque (avaliação interna) | GPT-6 Astra, proteções originais | GPT-6.2 Astra, proteções reforçadas |
|---|---|---|
| Extrair o raciocínio de uma solicitação anterior | 54,0% | 0,2% |
| Extrair o raciocínio da solicitação atual | 22,9% | 0,9% |
Na API, o raciocínio agora fica vinculado ao histórico que o gerou: se um desenvolvedor reescrever uma mensagem anterior, a API descarta o raciocínio que veio depois. Em setembro, a OpenAI tinha descrito ataques que transferiam um raciocínio criptografado para outra conversa para fazê-lo ser revelado; ela diz ter reforçado desde então as barreiras entre usuários, espaços de trabalho e organizações. As famílias de modelos mais antigas, menos protegidas, não conseguem mais ler o raciocínio do GPT-6.2. A OpenAI também afirma agir toda semana contra redes que vão de milhares a dezenas de milhares de contas. A empresa lembra que informou o Congresso, em fevereiro, sobre tentativas de destilação atribuídas à DeepSeek e que, em setembro, atribuiu parte de uma campanha a pessoas ligadas à Moonshot AI, desenvolvedora do Kimi.
O relatório do Congresso: Airbnb, Cursor e DoorDash como exemplos
O relatório é assinado por Andrew Garbarino, presidente da Comissão de Segurança Interna, e por John Moolenaar, presidente da comissão especial sobre a China, ambos republicanos. A investigação foi aberta em abril e se apoia em três empresas americanas:
| Empresa | Modelos chineses citados | Uso descrito no relatório |
|---|---|---|
| Airbnb | Qwen 2.5, 3 e 3.5 (Alibaba) | Assistente de clientes (cerca de 80.000 interações por dia) e resumo de cerca de 250.000 casos e ligações por dia |
| Anysphere (Cursor) | Kimi K2.5 (Moonshot AI) | Base do Composer 2, modelo próprio do Cursor, fato que só se tornou público depois que um desenvolvedor independente identificou o modelo de base |
| DoorDash | Qwen, DeepSeek, Kimi, GLM, MiniMax, ByteDance | 25 famílias de modelos autorizadas e implantadas de forma significativa (pelo menos US$ 5.000 de computação); substituir uma delas poderia levar até seis meses |
O relatório mede a dimensão do fenômeno com base em fontes públicas. No OpenRouter, a participação dos modelos de pesos abertos nos tokens de solicitações vindas dos Estados Unidos teria passado de 26% em setembro de 2025 para 60% em agosto de 2026, sobretudo a favor dos modelos chineses. Os modelos chineses teriam respondido por 41% dos downloads no Hugging Face em um ano, e a família Qwen teria mais de 151.000 modelos derivados. Segundo o relatório, o melhor modelo americano de pesos abertos está apenas em 10º lugar no índice mais recente da Artificial Analysis, atrás de seis modelos chineses. No ranking de setembro, o melhor modelo americano de pesos abertos era o Inkling, da Thinking Machines Lab, cujo treinamento inicial usou dados sintéticos gerados, entre outros, pelo Kimi K2.5, segundo o laboratório citado pelo relatório. O mesmo laboratório acaba de lançar o Inkling 2 Mini.
As 12 recomendações vão além da proibição. O relatório pede proibir os modelos chineses nos sistemas e contratos federais, retirá-los das funções de alto risco das infraestruturas críticas e impedir que verbas federais de cibersegurança sejam usadas para comprá-los. Também propõe uma iniciativa nacional de modelos americanos de pesos abertos, um padrão de procedência dos modelos com uma “lista de componentes”, sanções contra quem faz destilação e uma análise das vendas de dados de treinamento americanos para laboratórios chineses.
Nossa leitura
Os dois textos dialogam: a OpenAI fornece o argumento técnico, e o Congresso tira as consequências políticas. Mesmo assim, é preciso lê-los pelo que são. As taxas de ataque da OpenAI são medidas pela própria OpenAI, e as atribuições de destilação se baseiam em declarações de empresas e agências que não podem ser verificadas publicamente. O relatório, por sua vez, não tem força de lei: são recomendações de dois presidentes de comissão da maioria, que valem apenas para os Estados Unidos. O relatório também reconhece o verdadeiro motor da adoção: as empresas escolhem esses modelos porque são baratos, adaptáveis e não há um equivalente americano pelo mesmo preço. Para uma empresa europeia que usa Qwen ou Kimi, nada muda no curto prazo. A exigência de rastreabilidade, saber qual modelo roda onde e de onde ele vem, pode, no entanto, se impor nos contratos com clientes americanos.
Fontes
- OpenAI — Combatting adversarial distillation (20 de novembro de 2026) Fonte primária
- Comissão de Segurança Interna da Câmara dos Representantes — comunicado do relatório conjunto (20 de novembro de 2026) Fonte primária
- Relatório conjunto das comissões da Câmara sobre modelos de IA chineses (PDF, 20 de novembro de 2026) Fonte primária
Uma fonte primária vem diretamente da empresa, do laboratório ou da organização envolvida. Uma fonte secundária relata a informação sem ser a sua autora: nós a sinalizamos como tal. Encontrou um erro? Consulte nossa política de correções.


