一人，合法，反超原版，王琰：填平闭源模型的思维链护城河

一个作者、一份技术报告，把整个行业最贵的一道护城河，变成了一个可以绕过去的工程问题。

先给一张图。两条实线是我们用原生思维链训出来的模型，颜色对应不同的老师（Claude 的 Fable 5 与 GPT-6.1-SOL）；三条虚线是对照组，其中蓝色虚线就是直接用 Claude 的 Fable 5 思维链蒸馏出来的模型。大多数时候，实线压在共享同一份答案的虚线之上。

一、那道门，正在合拢

过去两年，AI 行业最激烈的一场暗战，从来不在榜单上——它只围绕一个问题：还能不能拿到最强模型的完整思维链。

先是 Anthropic 一方公开点名，指责中国模型公司「蒸馏」其输出；随后又宣布，针对蒸馏行为的打击已经达到 90%–99%。再往后，DeepSeek 新发布的 Deepseek-V4.1-Flash-1017 被多方质疑蒸馏自 GPT-6-Astra。紧接着，市场注意到一个耐人寻味的现象：一批中国模型公司，很久没有发布新的旗舰模型了。

没有官方解释，但圈内的猜测高度一致——如果不能再蒸馏，就不知道该拿什么训练下一代模型了。

这句话听起来像抱怨，其实是整个行业最不敢说出口的坦白：过去几年开源阵营的快速追赶，很大程度上建立在「看得见最强的推理过程」这件事上。而这件事，正在被闭源模型团队一行一行地关掉。

二、护城河从来不是模型权重

所有人以为护城河是模型权重。不是。

权重早就拿不到了，真正被卡住的是思维链——模型在给出答案之前的那段推理。过去，你可以调用最强模型的 API，拿到它完整的思考过程，然后拿来训练自己的小模型。这条路径便宜、干净、有效，几乎是算力落后 1–2 个量级的开源模型团队唯一能追上闭源前沿的方式。

现在，头部模型只回你一个答案，或者一段高度概括的摘要，推理过程被收走了。

理由写得很好听：安全、知识产权。但效果只有一个——你能学到的只剩「结果」，学不到「怎么想」。 一个只给答案的老师，教不出会思考的学生。

而王琰在技术报告的摘要里，只用了半句话就把这套说辞掀翻了：

这些团队自己，正是建立在蒸馏人类知识之上的——却不允许别人对他们做同样的事。
——技术报告摘要，原文还附了一句「这有点讽刺」

这不叫保护，这叫把后来者的梯子抽走。

三、有人试过 hack，但 hack 不是正规途径

开源模型团队当然没有坐等。此前已有工作证明：供应商返回的加密 reasoning block 在不同模型之间是可互换的，只要回放得当，就能把被隐藏的思维链原样还原出来。

但针对这类 hack，官方已经部署了防御。Anthropic 在 2026 年 10 月 12 日的官方说明里写道：它已阻止较早的模型读取新款模型的受保护推理，并会持续封堵新的绕过方法——其中被点名封堵的，正是「在模型之间搬运 reasoning block」这条老路，也就是上面那篇论文用的手法。官方称，这些措施已把被蒸馏走的数据量压低了 90%–99%。

技术上，它「曾经」成立；合规上，它从来不成立——它直接违反了 API 的服务条款。以 Anthropic 为代表的闭源模型团队长期指责开源模型团队公然违反使用协议，建立或收购大量账号用于蒸馏。而现在，技术上也不成立了。笔者一位身处基模团队的朋友的原话是：基本上蒸馏 Claude 已经不可能了。

所以真正的问题是：有没有一条既能拿到思维链、又完全合法的路？

四、他给出的另一条路：不要你的推理，我自己写

王琰的答案，是一份叫 TraceForge 的技术报告，思路朴素得近乎冒犯——

既然拿不到你的思维链，那就自己生成一条。

方法叫 family-native trace（原生思维链）。它不去还原老师的推理，而是让模型学会「像自己家族那样思考」：

用同族模型（Qwen3.8-Max）自己写的一万条真实对话训练一个生成器，把其中的思维链遮住，让模型根据上下文和答案把它重新写出来；
训练一个判别器，专门分辨「这是真轨迹还是生成轨迹」，参数量不低于生成器；
两者进行五轮在线对抗：骗过判别器的样本拿去训练判别器，没骗过的拿去做偏好优化。

关键的一点是：整个训练过程里，没有任何一个 Claude 或 OpenAI 的 token 被送进梯度。 训练数据全部来自允许合法蒸馏的同族模型。

老师在这套流程里只做一件事：提供一个答案。剩下的思考过程，学生自己写。

五、数字摆出来，故事就结束了

在同一批 5,000 条题目、同一套训练配方下，用 Qwen3.5-9B-Base 做学生，每个对照组各训 5,000 条样本，最终成绩是这样的——

三个结论，每一个都足够刺眼：

它赢了「原版」。 用自己生成的思维链，比直接蒸馏 Fable 5 的真实思维链，在 HumanEval+ 上高 3.7 分、MBPP+ 上高 7.1 分，而且 MBPP+ 的领先在每一个 checkpoint 上都成立。

它碾压了「同族最强」。 拿 Qwen3.8-Max 自己的思维链和答案去训，反而比原生思维链低 21 和 35 分。老师的能力是必要条件，但光有强老师不够——强老师还得用学生听得懂的语言讲课。

它和「同行」不在一个量级。 同样喂 GPT-6.1-SOL 的答案，只换合成器，一边是 59.15 / 60.05，一边是 3.66 / 6.61。差 55 分和 53 分。

更值得一提的是，在被要求「判定这条轨迹是否像真的」时，第三方裁判给出的平均概率是：真轨迹 66%，生成轨迹经过对抗训练后 68%，用判别器四选一之后 82%。

它不只是通过了检测，它比真的还像真的。

六、曲线里的三个秘密

回到开头那张曲线图，里面还藏着三个秘密。

第一个秘密：原版其实极不稳定。 用 Fable 5 原生思维链训练的那组，在 600 步时 HumanEval+ 冲到 66.46，到 1,200 步却暴跌到 33.54，1,600 步又爬回 64.63。作者为排除评分错误，专门复跑了两次，分数纹丝不动。一个能自己修复的 33 分跌幅，不可能是噪声。他的解释是：老师的思维链风格与同族差得太远，模型为了把损失压下去，参数会被推离原来的分布很远；而偏离一旦过大，性能随之失稳。

第二个秘密：最难的开局，走出了最稳的曲线。 原生思维链配 Fable 5 答案的那组，一路稳步涨到 68.29 和 59.52；而最戏剧性的是配 GPT-6.1-SOL 答案的那组：它一开始是五组里最差的（0.61 和 10.32），却是唯一在每一个 checkpoint 上都上涨的一组，到 1,600 步时，两项平均已经反超原版。

第三个秘密：曾经辉煌过的两组，为什么崩了。 另外两个对照组都有过高光时刻——同族最强模型自有数据那组，前 300 步就摸到 48.78；前人合成方法那组，900 步时也有 21.95 和 42.59 的局部高点。但最终，两组都趋于平庸。翻看输出，罪魁祸首很清楚：dead loop 和无意义重复越来越多——一句话换个说法又冒出来，算过的结果反复重算，训得越久症状越重。

关于造成这些现象的原因，作者在原文中进行了仔细分析，感兴趣者请移步原文。