前 OpenAI 研究员称在六个中国 AI 模型中发现 Nvidia Blackwell 训练指纹

他说，他的分析提供了这种访问权限的首个技术证据。美国官员和新闻媒体此前曾怀疑 DeepSeek 和月之暗面（Moonshot AI）在使用 Blackwell 芯片，但从未公布证据。DePue 在 X 上写道，OpenAI 和 Anthropic 的高级研究人员已经独立核查并确认了他的发现。据 DePue 称，2026 年 4 月以来发布的六个中国模型带有 Nvidia Blackwell 世代的独特签名，而更早的模型如 DeepSeek-V3 和 Kimi K2.5 则显示出 Nvidia 更早的 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。在训练开始之前，标准软件框架 PyTorch 会用一个称为种子的起始值生成的随机数填充这些空位。为了快速分发这些海量数据，GPU 会将工作拆分到其各个计算核心上。根据该报告，由于不同芯片型号的核心数量不同，填充过程会产生一种特征模式。较旧的 Hopper 芯片（如 H100 和 H800）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。

随后训练会对这些值进行数百万次调整，但一些用于未使用单词或符号的空位会保留其初始随机值。据 DePue 称，即使在模型训练程度很高的部分，初始分布的微弱统计回声依然存在。他说他将该模式逆向推演，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。

耗资超过五亿美元的训练运行

该分析将 DeepSeek-V4-Flash 和 MiniMax-M3 对应到 B200 或 B300 芯片（148 核心）。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 Nvidia 液冷 GB200 或 GB300 旗舰机架系统的 152 核心模式。DePue 表示，从统计学上可以排除偶然性，并且该方法正确识别了所有 24 个硬件已知的对照模型，包括 Meta 的 Llama 3.1（H100）。

DePue 的报告估计，他研究的五次训练运行总共需要约 12,000 块 Blackwell GPU，相当于约 30,000 块较旧的 H100 芯片的算力。仅 Kimi K3 就估计需要约 4,500 块 Blackwell 处理器运行约 70 天，DeepSeek-V4-Pro 则约需 3,000 块。按每块约 70,000 美元的单价计算，每个集群的成本为 2 亿至 3 亿美元，五个系统合计超过五亿美元。

这些发现也与 SemiAnalysis 首席分析师 Dylan Patel 的分析一致。Patel 在接受红杉资本采访时表示，DeepSeek-V3 的模型架构仍专为 Nvidia 的 Hopper 芯片量身定制，而 DeepSeek-V4 的架构则是为 Blackwell GPU 和华为的昇腾（Ascend）芯片构建的。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 StepFun 的模型，仍然只显示 Hopper 签名，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台硬件初始化了权重，不过训练本身很可能也是在同样的系统上进行的。唯一的其他技术解释是 AMD MI300X——它同样受到限制，被人为降频以产生相同的模式。DePue 表示，他利用芯片之间微小的舍入差异排除了 AMD，确认 DeepSeek-V4-Flash 用的不是 AMD。

据调查，这些数据并未揭示 GPU 位于何处或由谁拥有。报告称，由于中国企业可以在境外数据中心租用算力，其技术证据表明能够使用英伟达的顶级硬件，但仅凭这一点并不能证明存在实物走私或违反美国出口法的行为。