Meta publicó un artículo sobre la destilación de modelos grandes. El punto no está en la calidad de la generación, sino en «cómo identificar los modelos obtenidos mediante destilación». El método WM-Basin que proponen es una técnica de detección de caja negra, pensada para un escenario muy concreto: alguien realiza muchas consultas mediante API a un modelo docente con marca de agua y luego usa esas salidas para entrenar un modelo estudiante. Los resultados del artículo no suponen una mejora menor.

Con una tasa de falsos positivos del 0,1 %, WM-Basin alcanza una tasa de verdaderos positivos del 79 %, frente al 29 % de los métodos de detección anteriores a nivel de token en las mismas condiciones. El artículo también señala que la diferencia entre ambos métodos aumenta cuando el umbral de detección es más estricto y la ventana de n-gramas es mayor.

Esto no es un catalizador directo para el sector cripto, pero sí está relacionado con la infraestructura de IA, la seguridad de los modelos y los límites de la propiedad intelectual. Antes se decía que para robar un modelo había que robar sus pesos; ahora, una vía más realista es «hacer unas cuantas consultas más y luego destilarlo». Si la identificación de caja negra realmente madura, las reglas que establezcan las plataformas de API, la atribución de responsabilidades y la demostración del origen de los modelos se volverán asuntos más delicados.

En cuanto al mercado, no conviene tratarlo como un tema de corto plazo; se parece más a una variable dentro de la cadena de seguridad de la IA que irá cobrando importancia poco a poco.