A Meta publicou um artigo sobre destilação de grandes modelos. O foco não está na qualidade da geração, mas em “como identificar modelos destilados”. O WM-Basin que eles propõem é um método de detecção por caixa-preta, voltado para um cenário bem específico: alguém faz muitas chamadas via API a um modelo professor com marca-d’água e depois usa essas saídas para treinar um modelo aluno. Os resultados apresentados no artigo não representam uma melhoria pequena.

Com uma taxa de falsos positivos de 0,1%, a taxa de verdadeiros positivos do WM-Basin é de 79%, enquanto a dos métodos anteriores de detecção em nível de token é de 29% nas mesmas condições. O material também menciona que, quando o limiar de detecção fica mais rigoroso e a janela de n-gramas aumenta, a diferença entre os dois continua crescendo.

Isso não é um catalisador direto para o mercado cripto, mas está ligado à infraestrutura de IA, à segurança dos modelos e aos limites da propriedade intelectual. Antes, costumava-se dizer que, para roubar um modelo, era preciso roubar seus pesos. Agora, um caminho mais realista é “perguntar várias vezes e depois destilar”. Se a identificação por caixa-preta realmente se tornar mais madura, as regras das plataformas de API, a responsabilização e a comprovação da origem dos modelos ficarão mais delicadas.

Por enquanto, do ponto de vista do mercado, não trate isso como um tema de curto prazo. Parece mais uma variável que pode ganhar força aos poucos na cadeia de segurança de IA.