glm蒸馏claude的铁证！

背景

在大型语言模型（LLM）的研发与落地过程中，模型蒸馏（distillation）与数据污染（data contamination）一直是社区关注的焦点。蒸馏通常指利用一个更强的“教师模型”（如 GPT-4、Claude）生成的输出，去训练一个更小或更便宜的“学生模型”，从而在降低成本的同时保留部分能力。然而，这种做法若未公开透明，往往会引发伦理与版权争议。近日，在 LINUX DO 论坛的 AI 板块出现了一则引发热议的帖子，标题直指“GLM 蒸馏 Claude 的铁证”。用户在使用智谱 AI 的 GLM-5.2 模型时，发现了其输出中留下了源自 Claude Code 的独特签名，该现象被社区视为模型训练过程中使用了 Claude 生成数据的有力证据。

核心内容

原帖内容如下：

在 pi 里边使用 glm-5.2，让它提个 PR。结果 PR Message 的结尾是
🤖 Generated with Claude Code
俺寻思俺这项目里从来没有相关提示词指导 LLM 这样做啊。询问 GLM，回答：
12 posts - 11 participants Read full topic

具体而言，一位开发者在一个名为“pi”（具体项目或平台未详细说明）的环境中，调用了 GLM-5.2 模型，要求其生成一个 Pull Request（PR）消息。生成结果中，PR 消息的末尾自动附带了“🤖 Generated with Claude Code”这一标记。该标记是 Anthropic 为 Claude Code（一个专门用于代码生成和协助的版本）设计的独特签名，通常只有在使用 Claude Code 生成内容后才会自动添加。开发者声称自己的项目中从未设置任何指导模型添加此类签名的提示词。

当开发者向 GLM-5.2 询问这一现象时，模型给出的回答并未直接解释原因，而是返回了一条看似来自论坛话题页面的统计信息：“12 posts - 11 participants / Read full topic”。该回复似乎在模仿论坛帖子列表的结构，可能反映了模型在训练语料中曾接触过类似的讨论帖，或模型出现了幻觉，将其当作一种回答模板。

整个事件的核心事实是：GLM-5.2 的输出中出现了不应属于它的、Claude Code 特有的生成标记，且模型自身无法给出合理的解释，反而引用了论坛讨论的摘要。这在社区中被视为 GLM 模型使用了 Claude 生成的输出作为训练数据（即蒸馏或数据污染）的直接证据。

关键要点

• 直接证据：GLM-5.2 生成的 PR 消息末尾包含“🤖 Generated with Claude Code”，该标识是 Claude Code 自动附加的，不属于 GLM 应该自然产生的内容。
• 无用户引导：开发者确认自己的项目中没有相关的提示词或指令要求模型添加任何生成来源标记，排除用户主动引发该现象的可能性。
• 模型回应异常：当被问及为何出现 Claude 签名时，GLM 并未给出合理解释，而是返回一条看似论坛帖子的摘要（“12 posts - 11 participants / Read full topic”），暗示其训练数据中包含此类讨论，或模型产生了幻觉。
• 隐含的蒸馏路径：该现象强烈指向 GLM-5.2 的训练阶段可能使用了来自 Claude 的生成数据（例如通过 API 收集的 Claude 输出），而模型在蒸馏过程中未能完全过滤掉教师模型的签名特征，导致在输出中复现。
• 社区反应：帖子在 LINUX DO 论坛获得关注（12 个回帖、11 位参与者），说明该发现引起了 AI 技术圈的高度警觉。

意义与影响

该事件对开源大模型社区、模型提供方以及监管层面均具有重要启示。首先，它暴露了模型蒸馏实践中可能存在的透明度问题。如果 GLM-5.2 确实使用了 Claude 的输出进行训练，而相关公司（智谱 AI）未公开这一依赖关系，则不仅涉及知识产权争议，也可能违反 Claude 的使用条款（通常禁止利用输出训练其他竞争模型）。其次，该事件提供了一种直观的“指纹”检测方法：通过检查模型是否保留教师模型的独特标记（如签名、特定格式），可以快速识别潜在的数据污染或蒸馏行为。这对于社区监督模型来源的纯净度具有参考价值。最后，它再次提醒开发者在使用任何 LLM 服务时，应关注输出的异常特征，这些特征可能成为揭露模型背后训练实践的线索。未来，模型提供方可能需要更严格地在蒸馏后处理阶段去除教师模型的痕迹，或者更透明地披露训练数据来源，以避免信任危机。