«El modelo no es la copia»: lo que dijo un tribunal chino sobre un LoRA de Medusa

Una veintena de capturas de un anime, una suscripción de vídeo de pago, una herramienta de recorte y un botón de «entrenar un LoRA» en una plataforma. Ese es todo el supuesto de hecho de un caso chino de derechos de autor ya resuelto en apelación, y el razonamiento sirve más que el resultado.

La demandante es titular del diseño del personaje Medusa de Battle Through the Heavens, una serie de animación china de larga duración. Un usuario tomó más de veinte fotogramas de ese personaje, los limpió, los introdujo en la función de entrenamiento de LoRA de una plataforma y produjo dos modelos pequeños: uno con el nombre de un vestuario nuevo, otro con el de una versión actual. Publicó ambos en la plataforma. Otros usuarios escribieron prompts y obtuvieron imágenes de Medusa, a veces idénticas, a veces muy parecidas.

La demandante reclamó 2 millones de yuanes a la plataforma y 200.000 al usuario, con responsabilidad solidaria dentro de una franja de 150.000. El tribunal declaró responsable al usuario y dejó marchar a la plataforma. Ambos resultados importan, pero el razonamiento intermedio es la parte que merece leerse.

Copiar es reproducir, no almacenar

El razonamiento de apelación descansa en un solo movimiento doctrinal: la esencia del derecho de reproducción es el derecho a reproducir, es decir, a hacer de nuevo perceptible la obra. No a almacenarla. No a aprender de ella. A traerla de vuelta.

El tribunal cortó entonces la cadena en tres eslabones y juzgó cada uno por separado.

Eslabón uno: tomar las capturas y recortarlas en un paquete de entrenamiento. Eso es reproducción, y vulnera el derecho.

Eslabón dos: introducir el paquete en el entrenamiento de LoRA. El tribunal sostuvo que esto no constituye necesariamente reproducción, y la explicación que aceptó es donde realmente se decide el caso. Un LoRA aprende una matriz de bajo rango de desplazamientos de pesos. Es, en palabras del tribunal, una compresión estadística de bajo rango y no una codificación de las imágenes originales. Esos parámetros no pueden reensamblarse para reconstruir la imagen original.

Eslabón tres: el momento en que un usuario lanza un prompt y el modelo produce algo sustancialmente similar al original. Ahí se completa la reproducción y ahí se anuda la responsabilidad.

{{INLINE1}}

Por qué el detalle técnico decidió el caso

Es la primera vez que un tribunal chino tiene que decir, en una sentencia, qué contiene realmente un LoRA. La respuesta que aceptó es la que darían la mayoría de los ingenieros de ML: un delta descompuesto en rangos, unos pocos millones de números que desplazan el comportamiento del modelo base, sin copia recuperable de ninguna imagen de entrenamiento.

Eso importa porque separa dos cosas que la gente funde por costumbre. Entrenar con una obra y reproducir una obra son actos distintos, y el segundo exige un segundo actor: la persona que escribió el prompt. El tribunal construyó una cadena de causalidad con una mano humana concreta al final.

También crea un test limpio que no depende de la intuición. Si la salida es sustancialmente similar, la reproducción ocurrió. Si no lo es, no ocurrió. Es un estándar contra el que un demandado puede defenderse de verdad, a diferencia de «el modelo vio tu obra».

Compárese con el litigio británico Getty contra Stability, donde la prueba pericial estableció que los pesos de Stable Diffusion no almacenan ni contienen copias de las imágenes de entrenamiento, solo patrones estadísticos derivados de ellas. El tribunal inglés usó esa conclusión para rechazar las pretensiones de infracción secundaria. Getty tiene permiso para apelar sobre la interpretación de «copia infractora», con vista prevista en noviembre. Dos jurisdicciones, estatutos distintos, una imagen técnica parecida.

La plataforma se salvó por el procedimiento, no por inocencia

El escape de la plataforma es más frágil de lo que parece, y es la parte que otras plataformas deberían leer dos veces.

El tribunal no sostuvo que ofrecer una función de entrenamiento sea intrínsecamente seguro. Sostuvo que el entrenamiento dirigido lo realizó el usuario, que eligió el modelo base, subió el material y fijó los parámetros. La plataforma aportó un modelo base, cómputo y un canal de publicación. Su responsabilidad dependía de si cumplió el deber de cuidado adecuado a su capacidad de gestionar información, y en este caso retiró los modelos y notificó a una plataforma extranjera que había replicado los datos.

Léase como una lista de verificación y no como una absolución. Aviso, retirada y una vía de escalado documentada son lo que compró el resultado. Una plataforma que aloja LoRAs y no hace nada cuando un titular se queja está en otra posición, y el mismo tribunal lo diría.

Un hilo suelto de la primera instancia. En otro caso de Hangzhou sobre LoRAs de Ultraman, el tribunal de primera instancia exploró si el entrenamiento podría considerarse uso justo cuando no hay prueba de que buscara explotar la originalidad expresiva de la obra y no hay daño irrazonable al titular. La apelación no llegó a esa cuestión. La puerta del uso justo sigue abierta en la práctica china, solo que nadie la ha cruzado todavía.

El marco mayor llegó en septiembre

El 7 de septiembre, el Tribunal Supremo Popular de China publicó sus Opiniones sobre el enjuiciamiento de disputas relacionadas con la IA, el primer conjunto de reglas judiciales del país para esta categoría. El artículo 12 reparte la responsabilidad entre desarrolladores, proveedores y usuarios ponderando el tipo de servicio, la fuente de los datos de entrenamiento, el grado de participación de cada parte, las medidas adoptadas y el beneficio obtenido.

También impone una carga a los desarrolladores que alegan no infracción: deben aportar pruebas del origen de los datos de entrenamiento, registros del proceso de entrenamiento y una explicación de cómo opera el modelo. El artículo 14, por separado, confirma que las invenciones asistidas por IA pueden patentarse, siempre que el inventor sea una persona física.

Es la misma estructura de la sentencia Medusa, generalizada. La responsabilidad sigue a la capacidad de explicar. Quien tiene los hechos técnicos carga con la obligación de describirlos.

Dónde puede romperse todavía el razonamiento

El argumento del bajo rango se sostiene limpiamente para un LoRA pequeño entrenado con veinte imágenes. Se tambalea a medida que crece el conjunto de entrenamiento y sube el rango, porque en algún punto un modelo puede memorizar en vez de generalizar, y la frontera entre «compresión estadística» y «copia con pérdida» deja de ser obvia.

El caso británico de Getty ya puso una marca aquí: los expertos de ambos lados coincidieron en que Stable Diffusion emitirá, bajo ciertas condiciones, imágenes con la marca de agua de Getty, porque los datos de entrenamiento contenían imágenes marcadas y el modelo memorizó lo suficiente para reproducir la marca. El tribunal inglés limitó su conclusión sobre marcas a tres imágenes de ejemplo y rechazó la pretensión más amplia sobre SDXL y v1.6 según la prueba. La lección no es que la memorización no ocurra. Es que la memorización debe demostrarse por modelo, por prompt y por salida.

Ahí se pondrá a prueba esta sentencia a continuación. Si un demandante puede mostrar que un solo prompt regenera de forma fiable un personaje protegido, el tercer eslabón se cierra y la responsabilidad vuelve. La pregunta técnica en cada caso futuro será cuántos intentos hicieron falta.

Qué significa esto si entrenas LoRAs

Las reglas prácticas que salen del caso no son complicadas. No construyas conjuntos de entrenamiento con fotogramas protegidos que no hayas licenciado, aunque solo los uses en privado para hacer una herramienta. No publiques un modelo cuyo único propósito sea reproducir un personaje protegido concreto. Y si operas una plataforma, construye la vía de retirada antes de construir el mercado.

La regla que no se desprende, pero que probablemente debería: el modelo no es la copia. La salida lo es. Lo que significa que el riesgo vive en el prompt, y el prompt es la única parte del proceso que un humano todavía escribe a mano.