外媒曝字节跳动用 OpenAI 训练竞品大模型，OpenAI 已暂停其账户

在生成式 AI 这场牌局里，很多创业公司都在偷偷抄 OpenAI 的作业。但如果被抓到现行的是字节跳动，性质就完全不同了。

The Verge 爆出一份内部调查，指控字节跳动一直在秘密调用 OpenAI 的 API，用来训练和评估自己的大语言模型。这一做法直接踩了 OpenAI 和微软的服务条款红线，两家公司都明确禁止用其模型输出来开发竞争产品。

报道发出后不久，OpenAI 发言人证实，已经暂停了字节跳动的 API 账号，并展开进一步调查。

刷爆 API 与「洗白」证据

据报道，字节跳动内部负责研发基础大模型的项目代号为「Project Seed」，由搜索业务负责人朱文佳带队，直接向技术副总裁杨震原汇报，联合创始人张一鸣也一直在密切盯进度。

泄露的内部文件显示，在 Project Seed 的几乎所有开发阶段，团队都在大量调用 OpenAI 的 API，甚至经常把接口配额直接刷爆。为了防止被发现，员工们在飞书上热烈讨论过如何通过「数据脱敏」来洗白证据。

一名了解内情的人士直言，团队嘴上说着要确保合规，但骨子里其实只是不想被逮住。

虽然字节内部在几个月前、也就是对话产品「豆包」拿到国内上线许可前后，曾下令禁止在任何模型开发阶段使用 GPT 生成的数据，但知情人士透露，团队后来仍继续用该接口来跑性能评测。

面对指控，字节跳动发言人回应称，GPT 生成的数据仅在项目早期用于模型标注，今年年中就已经彻底从训练集里清理了出去。发言人还强调，公司通过微软获得了合法的 GPT API 许可，海外产品确实在用，但国内的「豆包」完全基于自研模型。

这套代号 Seed 的自研模型参数规模在 2000 亿左右。团队背负着极重的交付指标：原定目标是在今年底追平 GPT-3.5，并在 2024 年年中赶上 GPT-4。

为什么重要

拿强力模型的输出来做「蒸馏」或打标，在 AI 创投圈其实是个公开的秘密。很多缺钱缺卡的小团队都在顶着法律风险走捷径，但 Databricks 副总裁等多位业内人士指出，以字节跳动的体量、算力和工程资源，居然也用这种手段赶进度，确实让人大跌眼镜。

我们认为，这暴露出国内头部大厂在底层追赶上的巨大焦虑。自研大模型不是靠算法调优就能弯道超车的，在追赶 GPT 的时间表重压下，哪怕是资源雄厚的大厂，技术团队也会忍不住在合规边缘走钢丝。这次被封号，不仅让字节的技术声誉在海外受损，还可能直接影响顶尖技术人才的招聘意愿。

对行业来说，更大的隐患在于数据污染。如果大厂都开始默许用大模型洗出来的数据去喂养下一个模型，这种近亲繁殖不仅会迅速放大幻觉，还会让开源与闭源生态的真实水平变得真假难辨。OpenAI 这次果断拔线杀鸡儆猴，看起来就是在向所有人划清界限：拿它的答案当参考书可以，但照抄答题步骤去卖竞品，它随时会断供。