上周，中国实验室 DeepSeek 发布了 R1 推理 AI 模型的更新版本，该模型在多项数学和编程基准测试中表现优异。尽管公司未透露训练数据来源，但有 AI 研究人员推测，部分数据可能源自 Google Gemini AI 系列。
开发者质疑：DeepSeek R1 或基于 Gemini 合成数据训练
墨尔本开发者 Sam Paech 发布证据称，DeepSeek 最新模型（R1-0528）是在 Gemini 输出上训练的。他指出，该模型倾向于使用与 Google Gemini 2.5 Pro 相似的词汇和表达方式。
如果你想知道为什么新的 deepseek r1 听起来有点不同，我认为他们可能已经从在合成 OpenAI 数据上训练切换到了在合成 Gemini 输出上训练。pic.twitter.com/Oex9roapNv — Sam Paech (@sam_paech) 2025年5月29日
虽然这并非确凿证据，但 AI “言论自由评估”工具 SpeechMap 的匿名创作者也指出，DeepSeek 模型生成的“思考”痕迹，“读起来像 Gemini 的痕迹”。
DeepSeek 此前多次陷入“蒸馏”争议
DeepSeek 此前曾被指控利用竞争对手模型数据进行训练。去年 12 月，开发人员观察到其 V3 模型经常将自己标识为 ChatGPT，暗示可能使用了 ChatGPT 聊天记录进行训练。
今年早些时候，OpenAI 向《金融时报》表示发现了将 DeepSeek 与“知识蒸馏”技术联系起来的证据。据 Bloomberg 报道，作为 OpenAI 紧密合作伙伴的微软于 2024 年底检测到大量数据正通过 OpenAI 开发者账户被窃取，OpenAI 认为这些账户与 DeepSeek 有关联。
尽管蒸馏是常见做法，但 OpenAI 服务条款明确禁止客户使用其模型输出来构建竞争性 AI。
AI 生成内容污染导致误判风险
需要澄清的是，许多模型会错误识别自身并收敛于相同词汇。这是因为开源网络——AI 公司主要训练数据来源——正充斥着由 AI 生成的低质内容、标题党及机器人泛滥信息。这种“污染”使得彻底过滤训练集中的 AI 输出变得相当困难。
专家观点：资金充裕下利用 API 生成合成数据符合逻辑
尽管如此，AI2 研究员 Nathan Lambert 并不排除 DeepSeek 使用 Gemini 数据训练的可能性。他在 X 平台发文称：“如果我是 DeepSeek，我一定会利用目前最好的 API 模型生成大量合成数据。他们 GPU 短缺但资金充裕，这意味着更多的计算资源。”
如果我是DeepSeek，我一定会利用目前最好的API模型生成大量合成数据。他们GPU短缺但资金充裕。这对他们来说实际上意味着更多的计算资源。是的，关于Gemini蒸馏的问题。——Nathan Lambert (@natolambert) 2025年6月3日
各大 AI 厂商加强防蒸馏安全措施
为防止知识蒸馏，AI 公司正加强安全防护：
- OpenAI：今年 4 月起要求组织完成身份验证才能访问高级模型，需提供特定国家签发的政府身份证件（中国不在名单内）。
- Google：近期开始对 AI Studio 平台模型生成的痕迹进行“总结”，增加了在 Gemini 痕迹上训练竞争模型的难度。
- Anthropic：5 月宣布将总结自身模型痕迹，以保护竞争优势。
我们已联系 Google 寻求评论，如有回复将更新本文。