Anthropic chặn người dùng vì mọi thứ liên quan đến huấn luyện mô hình lớn hơn

Một nhà nghiên cứu đã công khai chỉ trích Anthropic sau khi bị gắn nhãn "huấn luyện đối thủ cạnh tranh" và chặn các yêu cầu liên quan đến huấn luyện mô hình. Sự việc làm nổi bật câu hỏi về ranh giới giữa việc bảo vệ mô hình và quyền của người dùng trả tiền.

Ảnh đại diện người dùng chia sẻ sự việc

Sự việc bắt đầu từ đâu?

Theo bài đăng trên X của Jiahao Shao, anh khẳng định mình chưa từng chưng cất (distill) Claude. Các rollout mà anh sử dụng đến từ một mô hình mã nguồn mở mạnh, còn Claude chỉ đóng vai trò hỗ trợ gửi job và chạy phân tích.

Dù vậy, tài khoản của anh vẫn bị gắn nhãn là đang "huấn luyện một đối thủ cạnh tranh". Hệ quả là mọi thao tác liên quan đến RFT (Reinforcement Fine-Tuning), SFT (Supervised Fine-Tuning) hay huấn luyện các mô hình lớn hơn đều bị chặn. Tùy trường hợp, người dùng có thể bị:

• Chặn hoàn toàn yêu cầu
• Hạ cấp từ Opus 5.5 xuống Opus 5
• Hoặc phiên làm việc bị kết thúc ngay lập tức

Bài đăng nhanh chóng thu hút hơn 111.000 lượt xem và hàng trăm tương tác, cho thấy đây không phải là vấn đề cá biệt mà chạm đến nỗi lo chung của cộng đồng nghiên cứu.

Tranh cãi về "nguồn dữ liệu" và "người dùng trả tiền"

Điểm gây tranh cãi nhất nằm ở lập luận của tác giả: các công ty AI vốn xây dựng mô hình trên dữ liệu của cả thế giới, nhưng lại đối xử với người dùng trả tiền đang làm tự động hóa nghiên cứu như kẻ thù.

"Bạn xây mô hình của mình trên dữ liệu của cả thế giới, rồi lại coi người dùng trả tiền đang làm nghiên cứu tự động hóa là kẻ thù. Thật đáng buồn."

Đây là lập luận quen thuộc trong các cuộc tranh luận về chính sách sử dụng của các nhà cung cấp mô hình lớn. Ranh giới giữa "sử dụng hợp lý cho nghiên cứu" và "chưng cất mô hình" thường rất mờ, trong khi các hệ thống phát hiện tự động lại có xu hướng chặn nhầm để đảm bảo an toàn.

Điều này có ý nghĩa gì với người dùng Việt Nam?

Với các nhóm nghiên cứu, startup và lập trình viên Việt Nam đang dùng API của các mô hình lớn để xây dựng sản phẩm, câu chuyện này là lời nhắc về rủi ro phụ thuộc nhà cung cấp. Một tài khoản có thể bị hạ cấp hoặc khóa mà không có quy trình khiếu nại rõ ràng, ảnh hưởng trực tiếp đến tiến độ dự án.

Một số bài học thực tế:

• Lưu trữ log và cấu hình để chứng minh mục đích sử dụng khi cần khiếu nại
• Tránh đặt toàn bộ pipeline vào một nhà cung cấp duy nhất
• Ưu tiên mô hình mã nguồn mở cho các tác vụ huấn luyện và tinh chỉnh, chỉ dùng mô hình thương mại cho phần phân tích

Góc nhìn kỹ thuật: vì sao các hãng chặn mạnh tay?

Việc chưng cất mô hình (dùng đầu ra của một mô hình mạnh để huấn luyện mô hình khác) là mối đe dọa trực tiếp với lợi thế cạnh tranh của các phòng lab. Do đó, nhiều nhà cung cấp áp dụng bộ lọc theo từ khóa và mẫu hành vi: các cụm như RFT, SFT, logprobs hay sinh dữ liệu tổng hợp thường bị gắn cờ.

Vấn đề là các bộ lọc này thiếu ngữ cảnh. Một nhà nghiên cứu dùng Claude để viết script gửi job huấn luyện cho mô hình mã nguồn mở của mình có thể bị nhầm với hành vi vi phạm. Khi không có kênh kháng nghị hiệu quả, người dùng trả tiền chịu thiệt mà không rõ lý do cụ thể.

Câu chuyện của Jiahao Shao, dù chỉ là một trường hợp cá nhân, phản ánh một câu hỏi lớn hơn: các nhà cung cấp AI sẽ cân bằng giữa bảo vệ tài sản trí tuệ và minh bạch với khách hàng như thế nào trong giai đoạn cạnh tranh khốc liệt hiện nay.