Contexte de la restriction
Le 31 octobre 2026, un utilisateur a publié sur X (anciennement Twitter) une plainte contre Anthropic, indiquant que la société bloque toute activité liée à la formation de modèles supérieurs à ceux proposés via son API. Le tweet mentionne explicitement les termes RFT (Reinforcement Fine‑Tuning), SFT (Supervised Fine‑Tuning) et la tentative de « training a competitor », qui aurait déclenché un blocage du compte. Cette mesure s’est traduite par une rétrogradation du modèle Opus 5.5 vers Opus 5 ou par l’interruption immédiate de la session.
Mécanisme de détection et d’application
Anthropic ne détaille pas publiquement son algorithme de surveillance, mais le comportement décrit suggère l’existence d’un système d’inspection des requêtes API. Chaque appel contenant des paramètres typiques de fine‑tuning (par exemple, training_file, validation_file, ou des flags indiquant un reward model) pourrait être comparé à une liste noire de mots‑clés. Lorsqu’une correspondance est détectée, le serveur renvoie soit un code d’erreur interrompant la session, soit un modèle de version inférieure, comme observé avec le passage de Opus 5.5 à Opus 5. Cette approche repose sur une logique de détection en temps réel plutôt que sur une revue manuelle, afin de limiter le coût opérationnel.
Implications pour la recherche et l’automatisation
Le blocage affecte directement les chercheurs qui utilisent les modèles Anthropic pour automatiser des pipelines d’expérimentation. La capacité à lancer des jobs de fine‑tuning est essentielle pour valider des hypothèses de performance ou pour adapter un modèle à un domaine spécialisé. En supprimant cet accès, Anthropic impose une couche de friction qui peut ralentir les cycles de recherche, augmenter les coûts (en obligeant à recourir à des alternatives open‑source) et réduire la reproductibilité des travaux. Le tweet souligne que les données d’entraînement d’Anthropic proviennent « du monde entier », ce qui rend paradoxal le traitement des utilisateurs payants comme des concurrents.
Limites et perspectives
Le principal problème réside dans le manque de transparence : aucune métrique, aucun seuil de détection, ni aucune procédure d’appel n’est communiqué. Cette opacité empêche les utilisateurs de calibrer leurs requêtes pour éviter les faux positifs. De plus, la mesure semble appliquée de façon binaire – soit le modèle est rétrogradé, soit la session est terminée – sans offrir d’alternative comme un avertissement préalable. À moyen terme, les développeurs pourraient chercher à contourner ces filtres en masquant les indicateurs de fine‑tuning, ce qui introduirait de nouveaux risques de non‑conformité aux conditions d’utilisation et potentiellement des vulnérabilités de sécurité liées à des comportements inattendus du service.
