Meta限制员工使用Claude Code和Codex，表面上是防止模型蒸馏，实则暴露了大模型训练中数据污染的根本困境。从技术角度看，蒸馏风险确实存在：若外部模型生成的代码或文本混入训练集，轻则导致模型能力‘伪增长’（学到的是API调用而非推理），重则污染评测集，使benchmark指标失真。我在构建内部代码助手时，就曾因混入GPT-4生成的注释导致模型在特定任务上过拟合——这不仅是知识产权问题，更是数据质量失控的灾难。
Meta的举措值得理解，但‘禁用’并非长久之计。关键在于建立可审计的溯源机制：对训练样本进行模型指纹检测（如统计特定序列模式或logit分布），或通过差分隐私约束外部工具的输出贡献度。个人经验是，完全隔离外部生成内容反而会损失多样性，尤其在代码补全这类需要大量语料的场景。
两个问题抛给大家：1）如何在不依赖黑盒检测的前提下，自动识别训练数据中的‘蒸馏痕迹’？2）若开源模型（如Llama）本身依赖蒸馏数据训练，Meta如何保证自家模型不‘自污染’？
行业层面，此举可能加速‘AI工具围城’——巨头为保数据纯净性，将更倾向自建封闭生态。但这对中小团队是致命打击：他们依赖Claude Code这类工具提升效率，却可能因无法获取纯净基线数据而落后。长期看，模型蒸馏争议会推动‘生成数据溯源’成为合规标配，类似现在的数字水印技术。