前 OpenAI 研究员称在六个中国 AI 模型中检出 Nvidia Blackwell 硬件特征

他说，他的分析提供了这种使用的首个技术证据。美国官员和新闻媒体此前曾怀疑 DeepSeek 和 Moonshot AI 在使用 Blackwell 芯片，但从未公布证据。DePue 在 X 上写道，OpenAI 和 Anthropic 的资深研究人员已经独立核查并确认了他的发现。据 DePue 称，自 2026 年 4 月以来发布的六个中国模型带有英伟达 Blackwell 世代的独特特征，而 DeepSeek-V3 和 Kimi K2.5 等更早的模型则显示出英伟达较旧的 Hopper 世代的痕迹。

证据直接来自已发布的语言模型。一个 AI 模型由数十亿个称为权重的数值组成。在训练开始前，标准软件框架 PyTorch 会用从一个称为种子的起始值生成的随机数填充这些空位。为了快速分发如此海量的数据，GPU 会将工作拆分到各个计算核心上。据该报告称，由于不同芯片型号的核心数不同，填充过程会产生一种特征性模式。H100 和 H800 等较旧的 Hopper 芯片使用 132 个计算核心，而较新的 Blackwell 芯片则根据型号（B200/B300 或 GB200/GB300）恰好使用 148 或 152 个核心。

随后训练会将这些数值调整数百万次，但一些未使用的词或符号对应的空位会保留其初始随机值。据 DePue 称，即使在模型训练充分的部位，初始分布的微弱统计回声依然存在。他说他逆向推导出了这一模式，并在真实的 Blackwell 芯片上精确复现了 DeepSeek-V4-Flash 和 Kimi K3 的结果。他已在 GitHub 上发布了验证代码。

训练成本超过 5 亿美元

分析将 DeepSeek-V4-Flash 和 MiniMax-M3 对应到 B200 或 B300 芯片（148 核）。根据分析，DeepSeek-V4-Pro、Kimi K3、Kimi K3.1-Pro 以及蚂蚁集团的 Ling-3.1-flash 显示出英伟达液冷 GB200 或 GB300 旗舰机架系统的 152 核模式。DePue 表示，从统计上可以排除偶然性，并且该方法正确识别了全部 24 个已知硬件的对照模型，包括 Meta 的 Llama 3.1（H100）。

DePue 的报告估计，他研究的五次训练运行合计需要约 12,000 块 Blackwell GPU，算力大致相当于约 30,000 块较旧的 H100 芯片。仅 Kimi K3 一项，估计就需要约 4,500 块 Blackwell 处理器，耗时约 70 天，而 DeepSeek-V4-Pro 约需 3,000 块。按约 70,000 美元的单价计算，每个这样的集群将耗资 2 亿至 3 亿美元，五个系统合计超过 5 亿美元。

这些发现也与 SemiAnalysis 首席分析师 Dylan Patel 的分析一致。在接受红杉资本采访时，Patel 表示 DeepSeek-V3 的模型架构仍专门针对英伟达的 Hopper 芯片定制，而 DeepSeek-V4 的架构则是为 Blackwell GPU 和华为的昇腾芯片构建的。根据 DePue 的报告，其他中国实验室的模型，包括阿里巴巴的 Qwen3.8 以及智谱、腾讯、小米和阶跃星辰的模型，仍只显示出 Hopper 特征，而美团的 LongCat-2.0 则指向华为硬件。

该指纹并不能证明存在违法行为

严格来说，该方法只能显示是哪种硬件初始化了权重，不过训练本身很可能也在同一批系统上运行。唯一其他的技术解释是 AMD MI300X，而它同样受到限制，被人为降频，从而产生相同的特征模式。DePue 表示，他利用芯片之间微小的舍入差异，排除了 AMD 用于 DeepSeek-V4-Flash 的可能性。

根据这项调查，这些数据并未揭示 GPU 所在的位置或所有者。报告称，由于中国企业可以在中国境外的数据中心租用算力，其技术证据显示相关方能够获得 Nvidia 的顶级硬件，但这本身并不能证明存在实体走私或违反美国出口法的行为。