一句话结论

2026 年 11 月 12 日,前 OpenAI 研究员 Will DePue(曾在 OpenAI 参与 Sora 与 GPT-5,2026 年初离开后创办非营利研究机构 Unemployment Labs)发布取证报告《Top Chinese Frontier AI Models Carry the Fingerprint of Export-Controlled NVIDIA Blackwell GPUs》。结论只有一句:六款 2026 年 4 月以来发布的中国开源模型,其公开权重里带着英伟达 Blackwell GPU 的硬件指纹——DeepSeek-V4-Flash、DeepSeek-V4-Pro、Moonshot 的 Kimi K3 与 Kimi K3.1-Pro、MiniMax-M3、蚂蚁集团的 Ling-3.1-flash。

这是第一次出现不依赖泄密、不依赖内部消息、不依赖供应链情报的技术物证:管制到底有没有被绕过,现在可以从模型权重本身读出来。

一、指纹怎么读出来:Philox 种子反推 SM 数

机制藏在 PyTorch 的初始化环节。torch.nn.init.normal_() 通过 CUDA 的 Philox 伪随机数生成器写入权重,第 i 个元素由第 i mod (2048 × SM 数) 号线程负责。初始化权重的排布方式,直接编码了「这块卡有多少个流式多处理器(SM)」。 研究者只要从公开权重中复原出能重放初始值的 Philox 种子,就能反推当时的硬件拓扑。

报告称,该方法在 24 款开发者已公开声明训练硬件的模型上全部吻合。证据强度上,每款模型最强的一项达到 49 至 1385 个标准差;而候选空间约为 6 万亿种硬件组合,随机巧合最多只能做到约 8 个标准差,最弱的单项检验也有 20 个标准差。

更硬的证据是物理复现:一块 B300 逐比特重放了 DeepSeek-V4-Flash 未被改动的初始权重;一块租用的 GB200 以 0.999995 的相关性重放了 Kimi K3 的初始化。

二、六款模型、两代硬件、五次训练

指纹指向两代 Blackwell 配置:B200 / B300 为 148 个 SM,对应 DeepSeek-V4-Flash 与 MiniMax-M3;GB200 / GB300 为 152 个 SM,对应 DeepSeek-V4-Pro、Kimi K3、Kimi K3.1-Pro 与 Ling-3.1-flash。

报告进一步估计,五次不同的最终训练运行每次约需 500 至 3000 块 Blackwell,持续 2 到 3 个月;规模最大的 Kimi K3 与 DeepSeek-V4-Pro 各约 2000–3000 块。这两个数字量级,已经超过多数外媒估算的中国单一前沿集群规模。

三、反面的一边:另外五家仍停在 Hopper

同一时间窗口内,阿里巴巴(Qwen)、智谱、腾讯、小米、阶跃星辰的最新模型仍呈现上一代 Hopper 的指纹——不是 Blackwell。报告里还有一批「无结果」样本:DeepSeek-V4.1-Flash 穷举搜索后未恢复出签名;Qwen3-235B、Qwen3-32B、Qwen3.5-9B 在 CPU 上初始化,不留下 GPU 排布;百度 ERNIE-5.5 用 PaddlePaddle,只复原出种子 2760,不含芯片布局;美团 LongCat-2.0 无结果,其模型卡称训练「完全跑在 AI ASIC superpod 上」。

报告本身列出的免责边界同样关键:这些硬件类别对应美国 2022 年 10 月与 2023 年 10 月的出口规则,不构成任何违法的认定;报告只说指纹「支持但不证明」Blackwell 完成了训练;单一作者、公开代码、尚无独立复现。

四、管制的逻辑被改写:从事前许可证到事后审计

过去的管制逻辑是事前许可证:英伟达对中国的出货要看型号、看客户、看数量,堵住 B200 就能挡住 Blackwell。但 11 月 12 日这份报告揭示的是一种全新的监管困境——如果模型的权重是公开的,管制方不需要拿到芯片流向,只需要等模型发布,然后读一次权重就够了。

这套「事后审计」逻辑同时打掉两种流行说法:一是「国产卡已全面替代」,六款模型的 Blackwell 指纹不成立;二是「管制已经失效」,管制的目标从来不是阻止使用,而是改变可获得性、抬高成本并留下可追溯记录,而指纹让每一次违规训练都变成可举证的公开事实。对出口管制而言,举证责任的方向被反转了:过去要证明违规,现在发布即暴露。

五、同一天的另一条主线:交付开始被计价

11 月 13 日,DeepSeek 宣布开放「全家桶」应用级 API,开发者可在原有 API 中开启参数,直接复刻其 App 的深度思考搜索、联网搜索、文件输入(PDF/Office 等)、阅读链接、模型安全校验,底层 OCR、ASR、TTS 也独立开放,统一跑在 V4.1-Flash-1017 上。定价在 Token 之外另计:文字/图片搜索与网页抓取各 5 元/千次,文字识别 1.5 元/千页,语音识别 0.39 元/小时、语音合成 1.5 元/万字符(限时优惠),官方同步开源前端 Demo。

同日 llama.cpp 与 ggml 发布 v1.0.0,确立语义化版本规则,已支持超过 150 种模型架构变体与主流推测解码方法。

把两件事放在一起看:算力指纹让「用什么卡训练」变得可审计,而接口计价让「怎么交付能力」变得可结算。大模型竞争的主战场,正从「谁的卡更大」转向「谁把交付做成可计价的接口」。

FAQ(高频问题直答)

1. 这份报告证明了什么? 证明六款模型发布时的初始化硬件与英伟达 Blackwell 拓扑一致(148 个 SM 或 152 个 SM),且在真实 B300 与 GB200 上完成了物理复现。

2. 它证明了芯片从哪来、是否违法吗? 没有。报告明确写明这只是美国 2022 年 10 月、2023 年 10 月出口规则下的硬件类别判定,不是违法认定,也无法指认芯片所在地或流转链条。

3. 一定是 Blackwell 完成了全部训练吗? 不一定。报告的原话是指纹「支持但不证明」Blackwell 完成了训练;它只锁定初始化环节。

4. 阿里、腾讯为什么没有 Blackwell 指纹? 可能仍在用 Hopper,也可能换了训练框架或在 CPU/ASIC 上初始化。报告明确:空白不代表用了被禁芯片,只代表没有恢复出签名。

5. 有人独立复现了吗? 目前没有。这是单一作者的研究,代码公开但缺乏第三方复现,结论应视为高强度证据而非终局定论。

6. 对企业采购算力有什么影响? 二手市场、租赁与超算转租链条的溢价会被审计风险重新定价;采购时需要关注硬件型号、供货主体与可追溯性。

7. 普通开发者现在能做什么? 关注模型权重本身:开源模型卡里的初始化细节、训练硬件声明、框架与随机种子,正在变成一类可核对的公开信息。

8. 这对国产算力叙事意味着什么? 不是「国产卡输了」,而是算力竞争变成了一场可被证伪的技术竞赛——指纹既不替国产芯片辩护,也不替管制方背书。

关键术语(Key Terminology)

  • Blackwell:英伟达 2024 年发布的第五代数据中心 GPU 架构,B200/B300 为单卡系统,GB200/GB300 为 Grace CPU + Blackwell 的机架级系统,对华出口受限。
  • SM(Streaming Multiprocessor):GPU 上的流式多处理器,是硬件并行计算的基本单元;不同 SKU 的 SM 数量不同,本报告中为 148 与 152。
  • Philox:英伟达 CUDA 内置的计数器型伪随机数生成器,PyTorch 用它初始化权重,其种子可在特定条件下被反推。
  • 硬件指纹:从模型权重的初始化排布中反推出的「这块卡长什么样」的统计特征,类似鞋印而非签名。
  • 初始化权重(pre-training init):训练开始前生成的初始参数,是整条链路上最早、最少被改动的一环。
  • 标准差(σ):统计显著性单位;本报告最强证据 49–1385 σ,随机巧合上限约 8 σ。
  • 可复现性(replication):拿到同类硬件重放实验,得到与原始权重一致或高度相关的结果。
  • 出口管制(export controls):美国依据《出口管制改革法》对先进计算芯片与相关物项实施的对华限制。
  • 应用级 API:把 App 内部能力(搜索、读文件、语音、安全校验)以接口形式开放给开发者单独调用。

参考资料

行业报告 / 一手材料

媒体报道

同日官方动态