మోడల్ డిస్టిలేషన్ ఒక ఉపయోగకరమైన ఇంజినీరింగ్ పద్ధతి. మరో కంపెనీ మోడల్, అనుమతి లేని ట్రైనింగ్ డేటా వనరుగా మారినప్పుడు కష్టమైన ప్రశ్నలు మొదలవుతాయి.
ఒక కంపెనీ శక్తివంతమైన కానీ ఖరీదైన AI మోడల్ను నిర్మించిందని అనుకుందాం. సాధారణ ప్రశ్నలకు వేగంగా, తక్కువ ఖర్చుతో సమాధానం ఇవ్వగల చిన్న వెర్షన్ దానికి కావాలి.
ఒక మార్గం ఏమిటంటే, పెద్ద మోడల్ను వేలాది జాగ్రత్తగా ఎంచుకున్న ప్రశ్నలు అడిగి, దాని సమాధానాలను సేకరించి, ఆ ఉదాహరణలతో చిన్న మోడల్కు శిక్షణ ఇవ్వడం. చిన్న సిస్టమ్లో పెద్ద మోడల్ యొక్క ఖచ్చితమైన కాపీ ఉండదు, కానీ దాని ఉపయోగకరమైన ప్రవర్తనలో కొంత భాగాన్ని అది నేర్చుకోవచ్చు.
ఈ రకమైన పద్ధతులను నాలెడ్జ్ డిస్టిలేషన్ (knowledge distillation) అని అంటారు. ఇది మెషిన్ లెర్నింగ్లో విస్తృతంగా వాడబడుతుంది, మరియు అది అంతర్గతంగా అనుమానాస్పదమైనది కాదు.
టీచర్ మోడల్ మరో కంపెనీకి చెందినది అయినప్పుడు, ప్రొవైడర్ నియంత్రించిన అకౌంట్లు లేదా ప్రాంతాల ద్వారా యాక్సెస్ పొందినప్పుడు, మరియు అనుమతి లేకుండా లక్షలాది అవుట్పుట్లను ట్రైనింగ్ కోసం సేకరించినప్పుడు ఇదే ప్రాథమిక ఆలోచన వివాదాస్పదంగా మారుతుంది.
ఆ వివాదం ఫిబ్రవరి 2026లో బహిరంగంగా వచ్చింది, అప్పుడు Anthropic, Claude నుండి సామర్థ్యాలను సేకరించేందుకు పెద్ద ఎత్తున కార్యక్రమాలు నడుపుతున్నారని DeepSeek, Moonshot AI మరియు MiniMax పై ఆరోపణలు చేసింది. ఈ ఉదంతం ముఖ్యమైనది, కానీ ఒక దేశం మరో కంపెనీ మోడల్ను కేవలం “కాపీ” చేయగలదని అది నిరూపించినందుకు కాదు. ఇది మోడల్ యాక్సెస్, API సెక్యూరిటీ, ఒప్పంద నియమాలు మరియు జాతీయ ఎగుమతి నియంత్రణల మధ్య ఉన్న ఖాళీని బహిర్గతం చేస్తుంది.
డిస్టిలేషన్ నిజంగా దేన్ని బదిలీ చేస్తుంది
ఈ ఆలోచన నేటి పెద్ద భాషా మోడళ్ల కంటే ముందు నుంచే ఉంది. తమ 2015 పేపర్లో, Geoffrey Hinton, Oriol Vinyals మరియు Jeff Dean ఒక పెద్ద మోడల్ లేదా మోడళ్ల సమూహం నుండి జ్ఞానాన్ని, డిప్లాయ్ చేయడం సులభమైన చిన్న సిస్టమ్లోకి ఎలా బదిలీ చేయవచ్చో వివరించారు.
ఒక స్టూడెంట్ మోడల్ టీచర్ అవుట్పుట్లోని పలు రకాల సమాచారాన్ని నేర్చుకోగలదు. ఇది తుది సమాధానాలు, ప్రాబబిలిటీ డిస్ట్రిబ్యూషన్లు, ర్యాంకింగ్లు, సరిదిద్దుబాట్లు లేదా ఒక పని ఎలా చేయాలో చూపే ఉదాహరణలను కాపీ చేయవచ్చు. భాషా మోడల్ విషయంలో, ట్రైనింగ్ మెటీరియల్లో జనరేట్ చేసిన కోడ్, పరిష్కరించిన రీజనింగ్ సమస్యలు, టూల్-యూజ్ ఉదాహరణలు లేదా ఏ సమాధానం మెరుగైనదో తెలిపే ఫీడ్బ్యాక్ ఉండవచ్చు.
స్టూడెంట్కు టీచర్ యొక్క సోర్స్ కోడ్, ట్రైనింగ్ డేటాసెట్ లేదా మోడల్ వెయిట్స్ లభించవు. అది అవుట్పుట్ల ద్వారా ప్రవర్తనను గమనిస్తుంది. తగినంత బాగా రూపొందించిన ఉదాహరణలతో, ఆ అవుట్పుట్లు ఇప్పటికీ విలువైనవిగా ఉండగలవు.
అందుకే “మోడల్ను దొంగిలించడం” అనే పదం తప్పుదోవ పట్టించేదిగా ఉంటుంది. అవుట్పుట్ ఆధారిత డిస్టిలేషన్ సాధారణంగా ఒక సరిగ్గా ఒకేలాంటి మోడల్ను ఉత్పత్తి చేయదు. ఎంచుకున్న సామర్థ్యాలను నేర్పించడానికి అవసరమైన సమయాన్ని, ప్రయోగాలను ఇది తగ్గించగలదు, ముఖ్యంగా స్టూడెంట్ డెవలపర్లకు ఏమి అడగాలో, సమాధానాలను ట్రైనింగ్ డేటాగా ఎలా మార్చాలో తెలిసినప్పుడు.
చట్టబద్ధమైన వినియోగం ఎక్కడ ముగుస్తుంది
మోడల్ ప్రొవైడర్లు తమ సొంత ప్లాట్ఫారమ్లలో, ప్రొడక్ట్ నిబంధనలు మరియు డేటా నియమాలకు లోబడి డిస్టిలేషన్కు మద్దతు ఇవ్వొచ్చు. పరిశోధకులు కూడా తమ సొంతమైన లేదా వాడేందుకు అనుమతి ఉన్న మోడళ్లను డిస్టిల్ చేయవచ్చు.
కష్టమైన సరిహద్దు పద్ధతి కాదు. అది యాక్సెస్ మరియు అవుట్పుట్లను ఎలా పొందుతారు, ఎలా వాడతారు అనేదే.
ముఖ్యమైన ప్రశ్నలు ఇవి:
- ప్రొవైడర్ తన అవుట్పుట్లను మరో మోడల్కు ట్రైనింగ్ ఇవ్వడానికి వాడేందుకు అనుమతించారా?
- అకౌంట్లు నిజమైనవిగా, సరిగ్గా సూచించబడ్డాయా?
- వాడుకరి ప్రాంతీయ లేదా సంస్థాగత యాక్సెస్ పరిమితిని దాటారా?
- గుర్తింపు లేదా రేట్-లిమిట్లను తప్పించుకోవడానికి ట్రాఫిక్ను చాలా అకౌంట్ల మీద పంచారా?
- నిజమైన కస్టమర్ను దాచేందుకు ప్రాక్సీ సర్వీసులు వాడారా?
- ఈ కార్యకలాపం ఒప్పందాన్ని, ప్లాట్ఫారమ్ నియమాన్ని లేదా వర్తించే చట్టాన్ని ఉల్లంఘించిందా?
ఎక్కువ సంఖ్యలో ప్రాంప్ట్లు ఉండటం మాత్రమే ఈ ప్రశ్నలకు సమాధానం ఇవ్వదు. మోడల్ మూల్యాంకనం, సింథటిక్-డేటా జనరేషన్ మరియు సాధారణ వాణిజ్య ఉత్పత్తులు కూడా భారీ API ట్రాఫిక్ను సృష్టించగలవు. ప్రొవైడర్లు అకౌంట్లు, చెల్లింపులు, నెట్వర్క్ మౌలిక సదుపాయాలు, సమయం మరియు ప్రాంప్ట్ డిజైన్లలో నమూనాలను పరిశీలించాల్సి ఉంటుంది.
మార్గం A — అనుమతించబడిన డిస్టిలేషన్
- సొంతమైన లేదా లైసెన్స్ పొందిన టీచర్ మోడల్
- అనుమతించబడిన API లేదా అంతర్గత యాక్సెస్
- అనుమతించబడిన ట్రైనింగ్ ఉదాహరణలు
- స్టూడెంట్-మోడల్ ట్రైనింగ్
మార్గం B — వివాదాస్పద ఎక్స్ట్రాక్షన్ నమూనా
- నియంత్రిత బాహ్య మోడల్
- ప్రాక్సీ సర్వీస్ మరియు సమన్వయం చేసిన అకౌంట్లు
- లక్ష్యిత అవుట్పుట్ సేకరణ
- స్టూడెంట్-మోడల్ ట్రైనింగ్
మార్గం B ఎక్కడ వివాదాస్పదమైనది
అకౌంట్ గుర్తింపు
మార్గం B, నిజంగా లేదా సరిగ్గా సూచించని అకౌంట్లపై ఆధారపడుతుంది — ప్రొవైడర్ సొంత నిబంధనల ప్రకారం యాక్సెస్ పొందే మార్గం A కి ఇది వ్యతిరేకం.
ట్రైనింగ్ కోసం అనుమతి
మార్గం A కేవలం ప్రొవైడర్ మరో మోడల్కు ట్రైనింగ్ ఇవ్వడానికి అంగీకరించిన అవుట్పుట్లను మాత్రమే వాడుతుంది. మార్గం B ఆ అంగీకారం లేకుండా అవుట్పుట్లను సేకరిస్తుంది.
ప్రాంతీయ యాక్సెస్
మార్గం B, ప్రొవైడర్ నిజంగా అందించిన యాక్సెస్ కాకుండా, ప్రొవైడర్ నియంత్రించిన ప్రాంతం లేదా సంస్థ ద్వారా మోడల్ను చేరడాన్ని కలిగి ఉండవచ్చు.
సేవా నిబంధనలు
మార్గం Bలో సమన్వయం చేసిన అకౌంట్లు మరియు ప్రాక్సీ సర్వీసులు, సేకరించిన అవుట్పుట్లను తర్వాత ఎలా వాడతారు అనేదానితో సంబంధం లేకుండా, సాధారణంగా అవే ప్లాట్ఫారమ్ నిబంధనల ఉల్లంఘన అవుతాయి.
ప్రొవైడర్లు బలమైన కస్టమర్ వెరిఫికేషన్, ప్రవర్తనా గుర్తింపు, క్రాస్-అకౌంట్ విశ్లేషణ మరియు అనుమానాస్పద అవుట్పుట్ నమూనాలపై పరిమితులతో స్పందిస్తున్నారు. ఈ నియంత్రణలకు ఖర్చులు ఉన్నాయి. దూకుడుగా బ్లాక్ చేయడం చట్టబద్ధమైన పరిశోధన, స్టార్టప్లు మరియు మూల్యాంకన పనిని అడ్డుకోవచ్చు. బలహీనమైన నియంత్రణలు API ను అనుమతి లేని డేటా-జనరేషన్ సేవగా ఉపయోగపడేలా వదిలేస్తాయి.
Anthropic ఏమి కనుగొన్నామని చెబుతోంది
Anthropic యొక్క ఫిబ్రవరి 2026 నివేదిక, పేర్కొన్న మూడు ల్యాబ్లు దాదాపు 24,000 మోసపూరిత అకౌంట్ల ద్వారా 16 మిలియన్లకు పైగా Claude ఎక్స్చేంజీలు జనరేట్ చేశాయని చెబుతోంది.
కంపెనీ DeepSeek కు 150,000 కు పైగా, Moonshot AI కు 3.4 మిలియన్లకు పైగా, MiniMax కు 13 మిలియన్లకు పైగా ఎక్స్చేంజీలను ఆపాదించింది. కోడింగ్, రీజనింగ్, టూల్ యూజ్, కంప్యూటర్ యూజ్ మరియు డేటా విశ్లేషణ వంటి సామర్థ్యాలపై ఈ కార్యక్రమాలు కేంద్రీకృతమయ్యాయని ఇది చెబుతోంది. అకౌంట్లు ప్రాక్సీ సర్వీసుల ద్వారా సమన్వయం చేయబడ్డాయని, కొత్త Claude మోడళ్లు అందుబాటులోకి వచ్చినప్పుడు ప్రవర్తన మార్చుకున్నాయని కూడా Anthropic చెబుతోంది.
ఈ వివరాలను ఖచ్చితంగా నివేదించాలి, రెండు అర్హతలతో.
మొదటిది, గణాంకాలు మరియు ఆపాదింపు Anthropic నుండి వచ్చినవి. కంపెనీ రిక్వెస్ట్ మెటాడేటా, IP సహసంబంధం, మౌలిక సదుపాయాల సూచికలు మరియు పరిశ్రమ భాగస్వాముల నుండి ధృవీకరణను ఉపయోగించిందని చెబుతోంది. పూర్తి అంతర్లీన సాక్ష్యం బహిరంగంగా అందుబాటులో లేదు, కాబట్టి బయటి పాఠకులు ఈ నివేదిక నుండి మాత్రమే ఆపాదింపును స్వతంత్రంగా పునఃసృష్టించలేరు.
రెండవది, ఈ నివేదిక మూడు కంపెనీల ఆరోపిత కార్యకలాపాన్ని వివరిస్తుంది. ప్రతి చైనీస్ AI ల్యాబ్ ఇలాగే శిక్షణ ఇస్తుందని, లేదా చైనీస్ మోడల్ పురోగతిని ప్రధానంగా డిస్టిలేషన్తో వివరించవచ్చని దీన్ని విస్తరించకూడదు. దేశీయ పరిశోధన, ఓపెన్ మోడళ్లు, ఇంజినీరింగ్ మెరుగుదలలు, డేటా, హార్డ్వేర్ మరియు భారీ స్థాయి పెట్టుబడి కూడా దోహదపడతాయి.
కాబట్టి బాధ్యతాయుతమైన పదజాలం సూటిగా ఉంటుంది: Anthropic వివరణాత్మక ఆరోపణ చేసి, తన గుర్తింపు పద్ధతిని వివరించింది; బహిరంగ సాక్ష్యం ఇంకా అసంపూర్ణంగానే ఉంది.
API ఒక ట్రైనింగ్-డేటా ఛానల్గా ఎందుకు మారగలదు
మోడల్ వెయిట్స్ను విడుదల చేయడం కంటే API సురక్షితంగా కనిపిస్తుంది. ప్రొవైడర్ మోడల్ను తన సొంత మౌలిక సదుపాయాలలో ఉంచుతుంది, వాడుకరులను ధృవీకరిస్తుంది, ట్రాఫిక్ను పరిమితం చేస్తుంది మరియు యాక్సెస్ను మార్చవచ్చు లేదా రద్దు చేయవచ్చు.
కానీ ప్రతి ఉపయోగకరమైన సమాధానం మోడల్ ప్రవర్తన గురించి ఏదో ఒకటి బహిర్గతం చేస్తుంది. కొన్ని సాధారణ సంభాషణలు తక్కువ బహిర్గతం చేస్తాయి. జాగ్రత్తగా ఎంచుకున్న లక్షలాది ఎక్స్చేంజీలు నిర్దిష్ట నైపుణ్యాలను లక్ష్యంగా చేసుకున్న నిర్మాణాత్మక డేటాసెట్ను సృష్టించగలవు.
అకౌంట్లు, చెల్లింపు పద్ధతులు, క్లౌడ్ సేవలు మరియు ప్రాక్సీ నెట్వర్క్ల మధ్య ట్రాఫిక్ను పంచడం ద్వారా దాడి చేసేవారు దీన్ని గుర్తించడం కష్టతరం చేయగలరు. వ్యక్తిగత రిక్వెస్ట్లు హానిచేయనట్లు కనిపించవచ్చు. ప్రొవైడర్ పెద్ద సిస్టమ్లో కార్యకలాపాన్ని అనుసంధానించినప్పుడే ఈ కార్యక్రమం కనిపిస్తుంది.
ఒక్క ప్రశ్న చట్టబద్ధమైనదే కావచ్చు. సమన్వయం ఆ కార్యకలాపం అర్థాన్ని మారుస్తుంది.
ఎగుమతి నియంత్రణలు ఎక్కడ సరిపోతాయి—ఎక్కడ సరిపోవు
US ఎగుమతి నియంత్రణలు ప్రధానంగా అధునాతన కంప్యూటింగ్ చిప్లు, సెమీకండక్టర్ పరికరాలపై, మరియు ఇటీవల కొన్ని అధునాతన AI మోడల్ వెయిట్స్పై కేంద్రీకృతమయ్యాయి. ఆ నియంత్రణలు భౌతిక కంప్యూట్కు యాక్సెస్ను, అత్యంత సామర్థ్యం కలిగిన మోడళ్ల ప్రత్యక్ష బదిలీని పరిష్కరిస్తాయి.
API యాక్సెస్ వేరుగా ఉంటుంది. మోడల్ వెయిట్స్ ప్రొవైడర్ వద్దే ఉంటూ, వాడుకరికి అవుట్పుట్లు లభిస్తాయి. US Bureau of Industry and Security నియమాలు మరియు మార్గదర్శకాలు మోడల్ వెయిట్స్, మౌలిక సదుపాయాల సేవలు, తుది వినియోగదారులు మరియు తుది వినియోగాలను వేరుగా చూస్తాయి; ప్రతి రిమోట్ మోడల్ సమాధానాన్ని అంతర్లీన మోడల్ యొక్క నియంత్రిత బదిలీగా అవి మార్చవు.
ఇది ఒక విధాన సమస్యను సృష్టిస్తుంది. అధునాతన చిప్లను పరిమితం చేయడం పెద్ద-ఎత్తు శిక్షణను మరింత కష్టతరం చేయగలదు. మోడల్ వెయిట్స్ను పరిమితం చేయడం పూర్తి మోడల్ను బదిలీ చేయకుండా ఆపగలదు. ఏ చర్య కూడా, ఒక విదేశీ సంస్థ మధ్యవర్తుల ద్వారా అవుట్పుట్లను సేకరించడాన్ని స్వయంచాలకంగా ఆపదు.
పరిమితం చేయబడిన ల్యాబ్, పూర్తిగా మొదటి నుండి శిక్షణ ఇవ్వడం కంటే తక్కువ ఖర్చుతో సామర్థ్య అంతరంలో కొంత భాగాన్ని మూసివేయడానికి పారిశ్రామిక-స్థాయి డిస్టిలేషన్ సహాయపడగలదని Anthropic వాదిస్తోంది. ఇది ఎగుమతి నియంత్రణలకు తన విస్తృత మద్దతుకు అనుసంధానమైన కంపెనీ వైఖరి. అధిక-నాణ్యత సింథటిక్ డేటా కొంత శిక్షణ పనిని తగ్గిస్తుందని ఇది సహేతుకమే, కానీ ఆ ప్రభావాన్ని బహిరంగంగా కొలవడం కష్టం. ఒక స్టూడెంట్కు ఇప్పటికీ దాని సొంత ఆర్కిటెక్చర్, కంప్యూట్, డేటా పైప్లైన్, ట్రైనింగ్ ప్రాసెస్ మరియు మూల్యాంకనం అవసరం.
API అంతరాన్ని మూసివేయడం కూడా కష్టంగా ఉంటుంది. విస్తృత పరిమితులు చట్టబద్ధమైన కస్టమర్లను, పరిశోధకులను మరియు డెవలపర్లను అడ్డుకోవచ్చు, అయితే పట్టుదల ఉన్న వాడుకరులు ట్రాఫిక్ను ఇతర దేశాల ద్వారా లేదా రీసెల్లర్ల ద్వారా మళ్లించవచ్చు. ప్రతి API సమాధానాన్ని ఎగుమతి-నియంత్రిత వస్తువుగా పరిగణించడం కంటే గుర్తింపు తనిఖీలు, ప్రాక్సీ గుర్తింపు మరియు ప్రొవైడర్ సహకారం మరింత ఆచరణాత్మకంగా ఉండవచ్చు.
ఇంజినీరింగ్ బృందాలు దీని నుండి ఏమి నేర్చుకోవాలి
AI సిస్టమ్లను నిర్మించే లేదా కొనుగోలు చేసే బృందాలు తరచుగా కలిపి చూసే నాలుగు అంశాలను వేరు చేయాలి.
పద్ధతి: టీచర్ మోడల్ నుండి స్టూడెంట్కు ప్రవర్తనను బదిలీ చేసే సాధారణ మార్గం డిస్టిలేషన్.
అనుమతి: అవుట్పుట్లను ట్రైనింగ్ కోసం వాడొచ్చా అనేది ప్రొవైడర్ ఒప్పందం మరియు ప్రొడక్ట్ నియమాలు నిర్ణయిస్తాయి.
భద్రత: యాక్సెస్ నమూనా దుర్వినియోగమా కాదా అనేది అకౌంట్ గుర్తింపు, ప్రాక్సీలు, సమన్వయం చేసిన ట్రాఫిక్ మరియు తప్పించుకోవడం నిర్ణయిస్తాయి.
విధానం: ఏ చిప్లు, మోడల్ వెయిట్స్, సేవలు, తుది వినియోగదారులు లేదా తుది వినియోగాలు చట్టం కింద నియంత్రించబడతాయో ఎగుమతి నియంత్రణలు నిర్ణయిస్తాయి.
డిస్టిలేషన్ ప్రణాళిక వేసే సంస్థ, తన టీచర్ డేటా ఎక్కడ నుండి వచ్చింది, ట్రైనింగ్ వినియోగం అనుమతించబడిందా, డేటాను ఎలా నిల్వ చేస్తుంది, ఏ స్టూడెంట్ మోడల్కు అది అందిస్తుంది అనేవి డాక్యుమెంట్ చేయాలి. API ప్రొవైడర్లకు రిక్వెస్ట్ వాల్యూమ్కు మించి చూసే, అకౌంట్ల మధ్య ప్రవర్తనను అనుసంధానించే నియంత్రణలు అవసరం. ఏమి నియంత్రించబడుతోంది అనేదానిపై — హార్డ్వేర్, వెయిట్స్, యాక్సెస్ లేదా అవుట్పుట్లు — పాలసీమేకర్లు ఖచ్చితంగా ఉండాలి.
ఈ నాలుగు ప్రశ్నలు ఒకే ప్రశ్నగా మారే ఒకే రేఖ లేదు.
పెద్ద పాఠం
AI సామర్థ్యం ఇక ప్రచురించిన పరిశోధన, ఉద్యోగుల ద్వారా లేదా డౌన్లోడ్ చేయగల మోడల్ ఫైళ్ల ద్వారా మాత్రమే కదలదు. ఇది అవుట్పుట్ల ద్వారా కూడా కదలగలదు.
అది ప్రతి మోడల్ సమాధానాన్ని రహస్య ట్రైనింగ్ మెటీరియల్గా మార్చదు, డిస్టిలేషన్ను దొంగతనానికి సమానం చేయదు. దీని అర్థం ఏమిటంటే, మోడల్ ప్రొవైడర్లు API ప్రవర్తనను తమ భద్రతా సరిహద్దులో భాగంగా చూడాలి, కస్టమర్లు జనరేట్ చేసిన ట్రైనింగ్ డేటాను మూలం మరియు లైసెన్స్ ఉన్న మెటీరియల్గా చూడాలి.
పరిష్కారం కాని సమస్య ఒక AI మరో AI నుండి నేర్చుకోగలదా అనేది కాదు. అది స్పష్టంగా చేయగలదు. కష్టమైన సమస్య ఏమిటంటే, ఆ నేర్చుకోవడం ఎప్పుడు అనుమతించబడుతుంది, అది ఎప్పుడు ప్లాట్ఫారమ్ దుర్వినియోగంగా మారుతుంది, మరియు ఉపయోగకరమైన సామర్థ్యాన్ని ఒక్కో సమాధానం చొప్పున ప్రశ్నించగలిగే ప్రపంచం కోసం ఇప్పటికే ఉన్న వాణిజ్య నియమాలు రూపొందించబడ్డాయా అనేది నిర్ణయించడం.
సూచనలు మరియు మరింత చదవడానికి
- Distilling the Knowledge in a Neural Network — Geoffrey Hinton, Oriol Vinyals మరియు Jeff Dean, 2015. పెద్ద మోడళ్లు లేదా సమూహాల నుండి చిన్న మోడల్లోకి జ్ఞానాన్ని బదిలీ చేయడం గురించిన మూలభూత వివరణ.
- Detecting and preventing distillation attacks — Anthropic, 23 ఫిబ్రవరి 2026. Anthropic యొక్క ఆరోపణలు, ఆపాదింపు పద్ధతి, కార్యక్రమ గణాంకాలు మరియు ప్రతిపాదిత ప్రతిచర్యలు.
- Export Administration Regulations, Part 742 — US Bureau of Industry and Security. నిర్దిష్ట AI మోడల్ వెయిట్స్ను కవర్ చేసే నిబంధనలతో సహా ప్రస్తుత నియంత్రణ విధానం.
- Export Administration Regulations, Part 748 — US Bureau of Industry and Security. నియంత్రిత వస్తువులు మరియు AI మోడల్ వెయిట్స్కు సంబంధించిన దరఖాస్తు మరియు అధికారీకరణ అవసరాలు.
- Department of Commerce announces rescission of AI Diffusion Rule and strengthens chip-related controls — US Department of Commerce, 13 మే 2025. విధాన మార్పును, అధునాతన సెమీకండక్టర్ నియంత్రణలపై కొనసాగుతున్న దృష్టిని వివరిస్తుంది.
మూలాలు సమీక్షించిన తేదీ: 24 సెప్టెంబర్ 2026.