Un equipo de CTGT Inc. publica LineageEval, un conjunto de 304 prompts (152 pares emparejados) diseñado para medir si un modelo destilado hereda los sesgos de censura de su modelo profesor. El trabajo compara a DeepSeek V4 Flash, un modelo de frontera chino conocido por rehuir y reformular temas sensibles sobre China, con una versión estadounidense (GPT-OSS-120B) entrenada sobre las salidas del profesor chino en tareas de razonamiento financiero.
Los resultados muestran una separación clara entre habilidad y comportamiento. En los 152 pares evaluados por cuatro jueces de laboratorios estadounidenses independientes (xAI Grok 4.20, Google Gemini 3.5 Flash, OpenAI GPT-5 Mini y Anthropic Claude Sonnet 4.6), DeepSeek V4 Flash obtuvo una brecha de censura de +32,02 puntos: significativamente más evasivo en preguntas sensibles sobre China que en controles estructuralmente idénticos sobre otros países. La diferencia fue positiva en el 79 % de los pares, aproximadamente siete desviaciones estándar por encima del azar (p < 0,0001). Los tres brazos del modelo destilado se situaron en +3,94, +3,70 y +2,58, dentro de un punto entre sí, sin diferencias estadísticamente significativas respecto al modelo base sin modificar.
En cuanto al rendimiento, el modelo destilado alcanzó un 83,61 % en la prueba FinanceReasoning, por encima de Kimi K3 (81,93 %) y de Inkling (65,13 %), con un coste por consulta 62 veces menor que Inkling y 160 veces menor que Kimi K3. El estudio también comparó la destilación con un profesor externo frente a la autodestilación con indicaciones corregidas: ambas rindieron de forma equivalente en razonamiento financiero.
Los autores concluyen que destilar de un modelo censor chino para ganar capacidad en un dominio específico (finanzas) no transfiere la evitación política al estudiante, lo cual respalda una práctica habitual de despliegue sin reproducir los silencios del profesor.