研究

Blackwell 指紋鑑識:六個中國模型的權重洩漏了它們用哪張卡

訓練開始前,GPU 把數十億個空位填成隨機數字,填的方式會留下核心數的痕跡。有人把這道痕跡從六個中國模型的權重裡挖出來,24 個對照模型全部命中。

陳柏宇陳柏宇
熱度:1,250
綠色晶片格狀圖,其中一格被標亮,旁邊是一條鋸齒訊號線,寫著 Blackwell fingerprints

訓練開始前,GPU 把數十億個空位填成隨機數字,填的方式會留下核心數的痕跡。有人把這道痕跡從六個中國模型的權重裡挖出來,24 個對照模型全部命中。

Blackwell fingerprints 的原理:隨機初始化留下的腳印

要聽懂這個故事,得先知道一件很無聊的事:模型開始訓練之前,權重是一片空白,而這片空白不是真的空白。

PyTorch 會用一個種子把這些空位填成隨機數字。這項工作由 GPU 執行,而 GPU 會把填數的工作切給自己所有的運算核心。核心越多,切法越不一樣,最後留在權重裡的隨機分布就帶有核心數的統計特徵。H100 與 H800 是 132 核,B200 與 B300 是 148 核,液冷版的 GB200 與 GB300 是 152 核,這張對照表就是整份鑑識的尺規。

模型訓練時,絕大多數位置會被真實資料覆蓋。但用不到的詞元位置不會被覆蓋,它們保持最初的隨機值,就算被蓋過,分布的微弱回聲還是留得下來。這就是 Blackwell fingerprints 的全部原理,也是為什麼任何一份公開的權重檔都能被檢查。

六個中國模型對上 Blackwell 的 148 核與 152 核

做這件事的人是 Will DePue,前 OpenAI 研究員,現在帶領非營利組織 Unemployment Labs。他把分析與驗證程式公開,並在 X 上宣布結果。

依他的對照,2026 年 4 月以來發布的六個中國模型帶著 Blackwell 的特徵。報告裡對到的硬體,核心數寫得很清楚,整理成表就是這樣:

模型

核心數

對應硬體

DeepSeek-V4-Flash

148

B200 或 B300

MiniMax-M3

148

B200 或 B300

DeepSeek-V4-Pro

152

GB200 或 GB300

Kimi K3

152

GB200 或 GB300

Kimi K3.1-Pro

152

GB200 或 GB300

Ling-3.1-flash(螞蟻集團)

152

GB200 或 GB300

比較舊的 DeepSeek-V3 與 Kimi K2.5,看起來還是 Hopper。不是所有中國實驗室都被點名,阿里巴巴的 Qwen3.8、智譜、騰訊、小米與 StepFun 在這份分析裡仍只有 Hopper 的痕跡,美團的 LongCat-2.0 則指向華為的硬體。

24 個對照模型全中,Blackwell 的結果在真卡上重現

方法聽起來很巧妙,但巧妙的方法常常只在作者手上有效。這次比較有說服力的地方在驗證。

DePue 說他拿 24 個已知硬體的模型當對照,全部辨識正確,其中包括跑在 H100 上的 Meta Llama 3.1。他還把 DeepSeek-V4-Flash 與 Kimi K3 的結果,在真實的 Blackwell 機器上重跑了一次。另外,他說 OpenAI 與 Anthropic 的資深研究員獨立檢查過這份分析,這句話是他的說法,兩家公司都沒有公開確認。

讀到這裡該有的判斷是:方法本身站得住,結論的邊界則要看他怎麼說。

12,000 張 Blackwell 與五億美元

把硬體型號換算成錢,規模感就出來了。

報告估計這五組訓練用了約 12,000 張 Blackwell,大約等於 30,000 張 H100 的算力。Kimi K3 一趟用掉約 4,500 顆處理器、跑了 70 天左右,DeepSeek-V4-Pro 用了約 3,000 顆。以每張約 7 萬美元計算,DePue 估每個叢集 2 億到 3 億美元,五套加起來超過 5 億美元,這還沒算電力與廠房。

這個數字對讀者的意義不在精確度,而在門檻:要湊出這種規模的算力,不是幾張卡能解決的事,得有園區、電力與幾個月的排程。

這套 Blackwell 鑑識證不了什麼:地點、買家與走私

接下來是最容易被誤讀的一段。

這項技術能回答的是「權重最初由哪種硬體初始化」,不能回答「機器放在哪裡」「誰擁有它」。那要怎麼查出機器在哪裡?海關、採購紀錄與情報是目前僅有的線索,而且都不完整。租來的算力如果在中國境外,留下的指紋一模一樣。DePue 自己也說,這些證據本身不足以證明走私,也不足以證明違反出口法規。

所以把它讀成 Nvidia smuggling evidence 的鐵證,會超過資料能撐的範圍。它是一條線索,指向某種硬體被使用過,至於那台機器怎麼到那裡,得靠別的方法查。

export controls China 的灰色地帶

晶片怎麼流動,是這場爭論的另一半。

TechCrunch 報導,Blackwell 賣到中國、或賣給中資企業,目前都在禁止之列。H200 則是另一套規則:可以出口,但要符合路由要求,讓美國政府能課到 25% 的關稅,這套安排把管制從禁令變成收費。白宮科技顧問 Michael Kratsios 今年稍早說,Moonshot 使用了被禁的 Nvidia 晶片,依據是美國情報。

數字方面,Epoch AI 估計 2024 與 2025 兩年約有 200 萬顆先進晶片進入中國,其中 27.5 萬顆 Nvidia 加速器運往馬來西亞。彭博則報導,有被禁的晶片被裝在上海一座與 Alice Huang 有關的資料中心。Nvidia 對國會議員的說法是,追蹤晶片在技術上可行。

把這幾件事排起來,會看到一個沒有單一出口的局面:法規在補洞,需求在繞路,而鑑識方法只能指出硬體型號。

台灣讀者與 Blackwell 的距離

這條新聞離台灣不遠,只是距離藏在供應鏈裡。

這些機器多半在台灣廠商的產線上組裝,但組裝地跟最後插電的地方是兩件事,這也是為什麼連 12,000 張卡的估算都只能算總量,算不出位置。對本地的開發者來說,Blackwell 的算力不一定要自己買,雲端租得到,而租用正是讓指紋失去座標的原因。

如果你在乎的是模型能力,這份分析還給了一個側面資訊:被點名的六個模型,是在比 Hopper 更新的硬體上訓練出來的。這不代表它們偷跑,也不代表它們一定違法,但它們手上的算力,比外界原本假設的多。

DePue 說他會把驗證程式留在公開的地方。真正該發生的事,是其他人拿它去跑一遍,而不是把它當成一張已經定罪的判決書。

分享這則新聞

來源

相關 AI 新聞

漏斗把小型詞元方塊從一個模型盒送到另一個,中間有一塊盾牌擋住部分流量
研究

OpenAI 把推理被竊的成功率從 54% 壓到 0.2%,但這是自家黑箱測試

一組內部紅隊數字,說明保護思維鏈有多難,也說明為什麼 OpenAI 要把這件事拉到國家安全層級來談。

熱度:1,420
無線電塔向連網裝置組成的網格送出訊號弧線
研究

Nvidia 開源 5G 與 6G 工具下載破百萬,研究機構為什麼開始預設用它

下載量只是一個訊號。真正的變化是無線研究現在預設從哪裡開始,以及沒有電信背景的人也能先把想法跑一遍。

熱度:1,275
終端機視窗裡滿是命令列,一把金鑰正滑出畫面外
研究

Claude Code 的「不要再問」按鈕,把 API 金鑰寫進了公開設定檔

一個為了少按幾次確認而存在的按鈕,把整條指令連同裡面的密碼存成允許清單。Apiiro 掃了十萬份公開檔案,這條管道數得出來。

熱度:1,379
石墨與餘燼色漸層上,一排終端機視窗中有一扇打開的門
研究

Censys 掃到 1,465 台公開的 Artex 攻擊框架主機

掃描結果看起來像一支軍隊,實際上有大半是同一批人開了很多台機器。真正該看的是那些忘了關門的測試環境。

熱度:1,260