«O modelo não é a cópia»: o que um tribunal chinês disse sobre um LoRA da Medusa

Umas vinte capturas de tela de um anime, uma assinatura de vídeo paga, uma ferramenta de recorte e um botão de «treinar um LoRA» numa plataforma. É todo o quadro fático de um caso chinês de direitos autorais já julgado em segunda instância, e o raciocínio vale mais do que o resultado.

A autora detém o design da personagem Medusa de Battle Through the Heavens, uma série de animação chinesa de longa duração. Um usuário pegou mais de vinte quadros dessa personagem, limpou-os, alimentou a função de treinamento de LoRA de uma plataforma e produziu dois modelos pequenos: um batizado com o nome de um figurino novo, outro com o de uma versão atual. Publicou os dois na plataforma. Outros usuários digitaram prompts e obtiveram imagens da Medusa, às vezes idênticas, às vezes bem próximas.

A autora pediu 2 milhões de yuans da plataforma e 200 mil do usuário, com responsabilidade solidária dentro de uma faixa de 150 mil. O tribunal responsabilizou o usuário e deixou a plataforma sair. Os dois resultados importam, mas o raciocínio no meio é a parte que vale ler.

Copiar é reproduzir, não armazenar

O raciocínio da apelação se apoia num único movimento doutrinário: a essência do direito de reprodução é o direito de reproduzir, ou seja, de tornar a obra novamente perceptível. Não de armazená-la. Não de aprender com ela. De trazê-la de volta.

O tribunal então cortou a cadeia em três elos e julgou cada um separadamente.

Elo um: tirar as capturas e recortá-las num pacote de treinamento. Isso é reprodução, e infringe.

Elo dois: colocar o pacote no treinamento de LoRA. O tribunal entendeu que isso não constitui necessariamente reprodução, e a explicação que aceitou é onde o caso realmente vira. Um LoRA aprende uma matriz de baixo posto de deslocamentos de pesos. É, nas palavras do tribunal, uma compressão estatística de baixo posto e não uma codificação das imagens originais. Esses parâmetros não podem ser remontados para reconstruir a imagem original.

Elo três: o momento em que um usuário envia um prompt e o modelo produz algo substancialmente semelhante ao original. É aí que a reprodução se completa, e é aí que a responsabilidade se fixa.

{{INLINE1}}

Por que o detalhe técnico decidiu o caso

É a primeira vez que um tribunal chinês precisa dizer, numa sentença, o que um LoRA contém de fato. A resposta aceita é a que a maioria dos engenheiros de ML daria: um delta decomposto em postos, alguns milhões de números que deslocam o comportamento do modelo-base, sem nenhuma cópia recuperável de qualquer imagem de treinamento.

Isso importa porque separa duas coisas que as pessoas fundem por hábito. Treinar com uma obra e reproduzir uma obra são atos diferentes, e o segundo exige um segundo ator: a pessoa que digitou o prompt. O tribunal construiu uma cadeia de causalidade com uma mão humana específica no fim dela.

Também cria um teste limpo, que não depende de intuição. Se a saída é substancialmente semelhante, a reprodução aconteceu. Se não é, não aconteceu. É um padrão contra o qual um réu pode de fato se defender, ao contrário de «o modelo viu a sua obra».

Compare com o litígio britânico Getty contra a Stability, em que a prova pericial estabeleceu que os pesos do Stable Diffusion não armazenam nem contêm cópias das imagens de treinamento, apenas padrões estatísticos derivados delas. O tribunal inglês usou essa conclusão para rejeitar pedidos de infração secundária. A Getty tem permissão para apelar sobre a interpretação de «cópia infratora», com audiência prevista para novembro. Duas jurisdições, estatutos diferentes, um quadro técnico parecido.

A plataforma escapou por processo, não por inocência

A saída da plataforma é mais frágil do que parece, e é a parte que outras plataformas deveriam ler duas vezes.

O tribunal não decidiu que oferecer um recurso de treinamento é intrinsecamente seguro. Decidiu que o treinamento direcionado foi realizado pelo usuário, que escolheu o modelo-base, enviou o material e definiu os parâmetros. A plataforma forneceu um modelo-base, capacidade de computação e um canal de publicação. Sua responsabilidade dependia de ter cumprido o dever de cuidado compatível com sua capacidade de gerenciar informações, e neste caso ela retirou os modelos e notificou uma plataforma estrangeira que havia espelhado os dados.

Leia isso como uma lista de verificação, não como uma absolvição. Notificação, remoção e um caminho de escalonamento documentado foram o que comprou o resultado. Uma plataforma que hospeda LoRAs e não faz nada quando um titular reclama está em outra posição, e o mesmo tribunal diria isso.

Um fio solto da primeira instância. Em outro caso de Hangzhou sobre LoRAs do Ultraman, o tribunal de primeira instância explorou se o treinamento poderia ser fair use quando não há prova de que visasse explorar a originalidade expressiva da obra e não há dano irrazoável ao titular. A apelação não chegou a essa questão. A porta do fair use segue aberta na prática chinesa, só que ninguém atravessou ainda.

O quadro maior chegou em setembro

Em 7 de setembro, a Suprema Corte Popular da China publicou seus Pareceres sobre o Julgamento de Disputas Relacionadas à IA, o primeiro conjunto de regras judiciais do país para essa categoria. O artigo 12 distribui a responsabilidade entre desenvolvedores, provedores e usuários ponderando o tipo de serviço, a origem dos dados de treinamento, o grau de participação de cada parte, as medidas adotadas e o lucro obtido.

Também impõe um ônus aos desenvolvedores que alegam não infração: precisam produzir provas da origem dos dados de treinamento, registros do processo de treinamento e uma explicação de como o modelo opera. O artigo 14, separadamente, confirma que invenções assistidas por IA podem ser patenteadas, desde que o inventor seja pessoa física.

É a mesma estrutura da sentença Medusa, generalizada. A responsabilidade segue a capacidade de explicar. Quem detém os fatos técnicos carrega o ônus de descrevê-los.

Onde o raciocínio ainda pode quebrar

O argumento do baixo posto se sustenta bem para um LoRA pequeno treinado com vinte imagens. Fica mais instável à medida que o conjunto de treinamento cresce e o posto sobe, porque em algum ponto um modelo pode memorizar em vez de generalizar, e a fronteira entre «compressão estatística» e «cópia com perdas» deixa de ser óbvia.

O caso britânico da Getty já deixou uma marca aqui: os especialistas dos dois lados concordaram que o Stable Diffusion, sob certas condições, emite imagens com a marca d'água da Getty, porque os dados de treinamento continham imagens marcadas e o modelo memorizou o suficiente para reproduzir a marca. O tribunal inglês limitou sua conclusão sobre marcas a três imagens de exemplo e rejeitou a alegação mais ampla quanto ao SDXL e ao v1.6 com base na prova. A lição não é que a memorização não acontece. É que ela precisa ser demonstrada por modelo, por prompt, por saída.

É aí que esta sentença será testada em seguida. Se um autor conseguir mostrar que um único prompt regenera de forma confiável uma personagem protegida, o terceiro elo se fecha e a responsabilidade volta. A questão técnica em todo caso futuro será quantas tentativas foram necessárias.

O que isso significa se você treina LoRAs

As regras práticas que saem do caso não são complicadas. Não monte conjuntos de treinamento com quadros protegidos que você não licenciou, mesmo que use só em privado para fazer uma ferramenta. Não publique um modelo cujo propósito inteiro seja reproduzir uma personagem protegida específica. E se você opera uma plataforma, construa o caminho de remoção antes de construir o marketplace.

A regra que não sai, mas provavelmente deveria: o modelo não é a cópia. A saída é. O que significa que o risco mora no prompt, e o prompt é a única parte do fluxo que um humano ainda escreve à mão.