Коротко: публикация на форуме TheaterFire приписывает математическим результатам OpenAI использование якобы украденных пользовательских данных. Это мнение участников обсуждения. Официальных заявлений OpenAI, утечек внутренних документов или журналистских расследований по этому поводу нет. Дальше по порядку: что именно написано в источнике, как устроены обучающие датасеты, какие права есть у пользователя и как проверять подобные новости.
Что известно точно: крупные языковые модели обучают на больших корпусах текста, куда попадают веб-страницы, книги, код и диалоги. Пользовательские данные тоже могут участвовать в улучшении моделей, если это разрешено политикой сервиса и не отключено в настройках. Вопросы согласия и прозрачности датасетов открыты для всей индустрии, и один пост на форуме их не закрывает и ничего не доказывает.
Что утверждается в публикации на TheaterFire
Пост OpenAI's math findings built on stolen user data обсуждает одну гипотезу: часть новых математических доказательств OpenAI могла быть получена не только из опубликованных научных работ, но и из пользовательских данных сервиса. Ни документов, ни скриншотов внутренних систем, ни показаний сотрудников в посте нет. Есть рассуждения участников и реакция модератора.
Кто и что написал: разбор источника
TheaterFire это площадка формата форума: пользователи публикуют посты, комментируют и голосуют. Модерация выборочная, и след от неё виден в самом обсуждении: одно сообщение пометили как офтоп, но оставили.
This was reported as off-topic, but I'm going to let it stand...
Среди комментаторов есть человек, который представляется ML-исследователем с 15-летним опытом. Подтвердить его квалификацию, место работы или хотя бы имя по публикации нельзя, так что вес у этой реплики такой же, как у любого анонимного комментария.
I've worked in this industry as an ML researcher for 15+ years. Everything we've managed to do is indeed based on the collective data of humanity...
Другой участник обобщает тезис жёстче, подменяя описание практики оценочным словом:
Literally every LLM ever was trained and built on the collective stolen output of humanity to date.
Ключевая для темы цитата написана как догадка самого автора, а не как констатация факта:
...part of me wonders whether maybe a lot of the new math proofs they released might have been them asking their agents to look through the entirety of the Internet as well as their users' data...
Формулировка "part of me wonders" переводится как "часть меня задаётся вопросом". Это прямое признание, что у автора нет данных, есть только предположение о возможном механизме.
Почему это не расследование и не заявление OpenAI
Подтверждённая история выглядит иначе: пост в официальном блоге компании, пресс-релиз, судебный иск с приложениями, публикация издания с редакционной проверкой или утечка с проверяемыми документами. Здесь нет ни одного из этих элементов. OpenAI по теме не высказывалась, ответа компании в публикации тоже нет.
В обсуждении смешиваются три разных утверждения, и их полезно разделять. Первое: модели обучают на коллективных данных человечества. Второе: пользовательские данные попадают в обучение по умолчанию. Третье: конкретные математические результаты OpenAI получены из пользовательских данных. Первое близко к описанию индустрии, второе зависит от политики конкретного сервиса и настроек пользователя, третье не подтверждено ничем.
На каких данных обучают современные LLM
Претрейн это обучение на предсказание следующего токена по огромному корпусу текста. Состав корпуса определяет знания модели: языки, тематику, стиль и слепые зоны. Компании раскрывают состав по-разному: одни публикуют статьи с описанием датасетов, другие ограничиваются общими формулировками.
Основные источники данных для обучения LLM
- Веб-скрейпинг. База для большинства корпусов это Common Crawl и его производные. Датасет C4, один из самых известных фильтрованных корпусов, собран из снимков Common Crawl.
- Книги и научные статьи: оцифрованные библиотеки, препринты, архивы журналов.
- Код: публичные репозитории GitHub и документация, что даёт модели навык работы с синтаксисом и API.
- Диалоговые площадки: Reddit, Stack Exchange, форумы и Q&A-сайты, откуда берутся разговорные конструкции и объяснения.
- Лицензированные корпуса: договоры с издателями, архивами, фотостоками и владельцами специализированных данных.
- Синтетические данные: примеры, сгенерированные моделью для дообучения. Как это устроено и почему обвинения в копировании моделей часто несостоятельны, разбирали в отдельном техническом разборе дистилляции и генерации синтетических данных.
Известные открытые датасеты: The Pile от EleutherAI (около 825 ГБ, 22 источника), RedPajama от Together (примерно 1,2 трлн токенов в первой версии), позже Dolma и FineWeb. В статье о GPT-3 состав обучающей выборки описан как отфильтрованный Common Crawl, WebText2, два корпуса книг и Wikipedia. Точные составы датасетов новых моделей OpenAI публично не раскрыты, поэтому делать выводы о конкретных источниках по косвенным признакам нельзя.
Могут ли пользовательские данные попадать в обучение
Да, и это не скрытая практика: сервисы описывают её в политиках. В ChatGPT настройки управления данными включают управление обучением модели, историей чатов, экспортом данных и удалением учётной записи. В разделе Data Controls есть переключатель «Improve the model for everyone»: пока он включён, диалоги могут использоваться для дообучения моделей. Временный чат в ChatGPT не попадает в историю и стирается из систем OpenAI через 30 дней.
Условия для API и корпоративных тарифов отличаются: данные, отправленные через API, по умолчанию не используются для обучения моделей, если аккаунт явно не выбрал это. Это договорное положение, а не свойство архитектуры, и оно может меняться.
Формулировки и настройки меняются, поэтому проверять нужно актуальную политику сервиса, которым вы пользуетесь, а не пересказы в соцсетях. Практический вывод: если ваши данные не должны попадать в обучающую выборку, отключите соответствующую опцию, используйте временные чаты или работайте через API с отдельным соглашением.
Согласие на использование данных для обучения ИИ: как это работает
Согласие в AI-сервисах почти никогда не оформляется отдельной галочкой "разрешаю обучаться на моих чатах". Оно встроено в пользовательское соглашение и политику конфиденциальности, которые принимаются при регистрации, и только частично реализуется через настройки.
Как оформляется согласие и можно ли отказаться
- Принятие условий: регистрация означает согласие с текущими правилами обработки данных.
- Настройки приватности: отключение истории чатов и обучения на них, режимы временных чатов.
- Удаление данных: запрос на удаление аккаунта и переписки; сроки и полнота удаления зависят от политики и от того, попали данные в датасет или нет.
- Отдельные условия для API и бизнес-тарифов: там обработка обычно описана как обработка по поручению заказчика.
Ограничение, о котором редко говорят в новостях: удалить данные из уже обученной модели нельзя. Веса не хранят исходный текст в читаемом виде, но и вырезать из них конкретный пример точечно невозможно. Задача известна как machine unlearning и в общем виде пока не решена.
Регулирование и споры вокруг данных
Ключевые рамки: GDPR в ЕС с правом на доступ, исправление и удаление данных, EU AI Act и национальные законы о персональных данных. Обязательства EU AI Act для моделей общего назначения (GPAI) вступили в применение 2 августа 2025 года. Провайдеры GPAI-моделей, размещённых на рынке до этой даты, должны были принять необходимые меры для соответствия требованиям Регламента к тому же сроку. Нормы вступают в силу поэтапно, а трактовки уточняются в судах, поэтому единой картины пока нет.
Судебные иски стали главным публичным каналом, через который выясняется состав датасетов. The New York Times подала иск против OpenAI и Microsoft о нарушении авторских прав 27 декабря 2023 года. Похожие претензии звучали от авторов книг и от фотоагентств. Именно в таком формате, с документами и показаниями, тезис об "украденных данных" проверяется, а не в комментариях на форуме. При этом конкретный тезис о том, что этот иск вынудил раскрыть фрагменты внутренних материалов о скрейпинге контента, в доступных материалах не подтверждён.
Как AI-агенты могут участвовать в математических исследованиях
Математика оказалась одной из первых областей, где LLM и агенты дали результат, признанный профессиональным сообществом. В 2024 году системы DeepMind AlphaProof и AlphaGeometry 2 решили четыре из шести задач Международной математической олимпиады, набрав 28 из 42 баллов, что соответствует уровню серебряного медалиста. Порог золотой медали на IMO 2024 начинался с 29 баллов, и его достигли 58 из 609 участников. Заявления OpenAI и DeepMind о результатах уровня золотой медали в 2025 году в доступных материалах не подтверждены, поэтому здесь стоит опираться только на подтверждённый результат 2024 года. Разговор об ИИ в математике не выдумка форумов, но конкретные механизмы получения результатов компании обычно не раскрывают.
Роль агентов в анализе данных и поиске идей
Технически схема выглядит так: агент с доступом к поиску и к инструментам формальной проверки (Lean, mathlib) генерирует варианты доказательства, проверяет их на ошибки и отбрасывает тупиковые ветки. Люди задают направление и оценивают итог. Форумная цитата описывает похожий сценарий в общих словах:
They can analyze enormous amounts of information and easily flag promising or novel ideas for review by the AI company operating them.
Это утверждение о возможностях инструментов. Оно ничего не говорит о том, откуда взялись данные для конкретных задач и были ли среди них пользовательские.
Почему это порождает вопросы о данных
Качество математических рассуждений агента зависит от того, какие тексты ему доступны. Научные статьи, препринты, форумы, обсуждения в чатах и открытые репозитории дают разный по ценности сигнал, и часть таких корпусов закрыта. Когда состав данных не раскрыт, проверить снаружи, использовались ли в нём пользовательские тексты, невозможно. Отсюда растёт подозрительность даже без фактических подтверждений.
Ответ математического сообщества тоже часть картины, и в обсуждении он сформулирован резко:
These mathematicians on the other hand are whining incessantly about something which they have no obligation to even accept or use.
Здесь верно одно: результат ИИ не становится обязательным для математиков. Доказательство либо проходит проверку в журнале и в формальной системе, либо нет. Эмоции на статус утверждения не влияют.
Локальные модели и приватность: почему об этом вспоминают
В том же обсуждении звучит вывод, который часто повторяют практики:
This is why I think local models are the only way forward.
Логика простая: если данные не уходят в чужое облако, их нельзя использовать для обучения без ведома владельца. Это аргумент о контроле над своими данными, а не доказательство вины конкретной компании.
Как локальные модели защищают данные
Локальный запуск означает, что инференс идёт на вашем железе: веса лежат на диске, запросы обрабатываются на GPU или CPU, наружу уходит только то, что вы отправите сами. Открытые модели семейств Llama, Mistral и Qwen можно запускать через ollama, llama.cpp или vLLM без подключения к внешним API. Как меняется экономика такого подхода и какие модели влезают в домашнее железо, разбирали в материале про отказ от подписок OpenAI и Anthropic в 2026 году и в статье про заявления глав AI-компаний и будущее открытых моделей.
Ограничения локальных моделей
Компромиссы конкретные. Модель на 7B параметров в 4-битной квантизации укладывается примерно в 4-6 ГБ VRAM, а модели на сотни миллиардов параметров требуют нескольких GPU либо агрессивной квантизации и терпимости к медленному инференсу. Качество на сложных задачах обычно ниже, чем у топовых облачных моделей, обновления и обслуживание лежат на вас. Приватность тоже не абсолютна: логи, плагины, RAG с внешними источниками и телеметрия могут утекать, если их не отключить. Как защищают локальные и облачные модели, разбираем в статье про AI-безопасность на практике.
Как проверить достоверность подобных заявлений
Чек-лист для проверки AI-новостей
- Найдите первоисточник. Официальный блог, пресс-релиз, судебный документ или научная статья весят больше, чем пересказ.
- Проверьте, кто это сказал. Анонимный комментарий и заявление компании с именем и должностью дают разный уровень надёжности.
- Разделите факт и мнение. Слова "может быть", "wonders", "предположительно" означают гипотезу, а не утверждение.
- Поищите подтверждения в независимых источниках. Реальную новость подхватят профильные издания и перепроверят у компании.
- Сверьте дату. Обсуждения часто ссылаются на старые сюжеты и подают их как свежие.
- Проверьте доказательства: документы, цифры, названные датасеты, номера судебных дел.
Пример того, как это работает: в разборе «системных данных» Meta Muse показано, как из одного заголовка на Reddit без доступного текста вырастает сюжет, который нельзя ни подтвердить, ни опровергнуть.
Почему форумные обсуждения не доказывают ничего
Форум это место для обмена мнениями, и модерация там отвечает за атмосферу, а не за достоверность. В разобранной публикации на TheaterFire нет ни названий датасетов, ни дат, ни документов. Даже реплика участника с 15-летним опытом в ML остаётся личным мнением, которое невозможно атрибутировать конкретному специалисту.
Что в итоге известно и что остаётся открытым
По теме статьи известно следующее. Публикация на TheaterFire содержит мнение участников о том, что математические результаты OpenAI могли опираться на пользовательские данные, и не содержит доказательств. Современные LLM обучают на веб-корпусах, книгах, коде и диалогах, а пользовательские данные могут участвовать в улучшении моделей, если это разрешено политикой и не отключено в настройках. Состав датасетов становится публичным в основном через судебные иски.
Открытыми остаются четыре вопроса: полное раскрытие обучающих корпусов, правовой статус массового скрейпинга, техническая возможность удаления данных из модели и верификация математических результатов, полученных с участием ИИ. Ни один из них не решается чтением форумных комментариев.
Что можно сделать практически: проверьте в разделе Data controls своего AI-сервиса, разрешено ли обучение на ваших чатах; если нет, отключите опцию или перейдите на временные чаты и API с отдельным соглашением; для чувствительных данных рассмотрите локальный запуск открытых моделей, помня про требования к VRAM и про то, что логи и плагины тоже нужно настраивать. И держите привычку идти от заголовка к первоисточнику: пост на форуме это точка зрения, а не расследование.