Бывший исследователь OpenAI Уилл Депью (Will DePue) опубликовал 12 ноября 2026 года отчёт Unemployment Labs «Top Chinese Frontier AI Models Carry the Fingerprint of Export-Controlled NVIDIA Blackwell GPUs». Проанализировав публичные веса шести новейших моделей DeepSeek, Moonshot AI, MiniMax и Ant Group, он показывает, что их инициализация прошла на GPU поколения NVIDIA Blackwell — чипах, закрытых для Китая экспортными ограничениями США. Работа вводит в оборот метод checkpoint-forensics: по открытым весам можно определить, на каком железе модель начинала обучение, и ключевой вывод воспроизводится на реальной видеокарте.
Что произошло
Автор отчёта Уилл Депью (Will DePue), ранее работавший исследователем в OpenAI, разобрал публичные веса шести моделей этих лабораторий и восстановил из них seed генератора случайных чисел PyTorch (PRNG Philox), оставленный этапом инициализации. У DeepSeek-V4-Flash восстановленный паттерн соответствует чипу со 148 SM — конфигурации B200 и B300; у DeepSeek-V4-Pro, Kimi K3, Kimi K3.1-Pro и Ling-3.1-flash — чипу со 152 SM, конфигурации GB200 и GB300. Чтобы подтвердить связь, Депью взял 469 отобранных строк весов DeepSeek-V4-Flash и воспроизвёл 445 из них бит в бит на реальной NVIDIA B300; на H100 точных совпадений не оказалось ни одного. Контрольной группой служат более ранние модели тех же лабораторий — выпущенные до V3, K2.5, M2.7 и Ling-3.0-flash: их отпечаток соответствует архитектуре NVIDIA Hopper.
Контекст
Способность весов «вспоминать» железо связана со свойствами самого фреймворка: при инициализации тензоров PyTorch раскладывает выход генератора случайных чисел Philox по потокам GPU, и раскладка однозначно определяется конфигурацией чипа. Узор, появившийся на раннем этапе, сохраняется в опубликованном чекпоинте независимо от того, где шло дальнейшее обучение. Речь о поколении NVIDIA Blackwell — чипах B200 и B300 и серверных платформах GB200 и GB300. Картина по отрасли при этом неоднородная: по данным отчёта, Alibaba, Zhipu, Tencent, Xiaomi и StepFun пока остаются на поколении NVIDIA Hopper, а Meituan обучает модели на собственных ASIC — вероятнее всего, Huawei Ascend. То есть речь не о единичном случае, а о сдвиге целого сегмента фронтир-лабораторий на формально недоступное железо.
Почему это важно для индустрии
Для отрасли отчёт даёт техническое доказательство того, что китайские фронтлайн-лаборатории имеют доступ к экспортно-контролируемым NVIDIA Blackwell, с оценкой масштаба: пять финальных тренировочных прогонов эквивалентны примерно 12 000 Blackwell-GPU и 30 000 H100, стоимость крупнейшего из них (кластера под Kimi K3) оценивается в $200–300 млн, а совокупные затраты — более чем в $500 млн. Эти цифры усиливают аргумент сторонников жёсткого экспортного контроля, но одновременно показывают, что дефицитное железо не работает как ров: фронтир коммодитизируется быстрее, выигрывают команды на слое приложений, а переговорная позиция покупателей моделей укрепляется, поскольку доступ к качеству фронтира через API не сужается, а расширяется. Неопределённость повышается для всех, кто арендует или перепродаёт GPU. Появляется и новый измеримый сигнал: проверка происхождения весов может стать частью due diligence при выборе модели, а лабораториям, публикующим сырые чекпоинты, придётся пересмотреть релизные практики. Прототип provenance-сканера или бейджа происхождения в каталоге моделей можно собрать уже сейчас на открытых весах DeepSeek-V4-Flash и других чекпоинтах, а в ближайшие месяцы стоит ждать независимых репликаций и provenance-полей в model cards.
Почему это важно для пользователей
Для работающих продуктов меняется пока только информационный контекст: веса DeepSeek-V4-Flash, DeepSeek-V4-Pro и Kimi K3 ведут себя так же, как раньше, и latency и стоимость инференса не меняются. Если же продукт зависит от открытых весов и предсказуемых релизных циклов, разумно заложить время на аудит происхождения чекпоинтов, на которых он построен. Любой желающий уже сейчас может повторить анализ самостоятельно: методу нужны только публичные веса и сопоставимый GPU, закрытых данных не требуется. Читателям, следящим за гонкой ИИ, работа даёт новый приём проверки: заявления лабораторий о тренировочной инфраструктуре больше не обязательно принимать на слово, потому что по весам модели такие заявления можно сверить инструментально.
Что пока неизвестно / ограничения
Периметр метода ограничен этапом инициализации: доказано лишь, что веса создавались на GPU с конфигурациями 148 и 152 SM поколения Blackwell, а использовалось ли это железо на других стадиях обучения, анализ не проверяет. Привязка найденных паттернов к конкретным SKU — B200, B300, GB200 и GB300 — интерпретация автора, как и суммарные оценки в эквиваленте GPU и долларах: это расчёты отчёта, а не прямые измерения. Локация GPU, владение ими и схема закупки или аренды не установлены, поэтому политический вывод о провале экспортных ограничений США остаётся интерпретацией поверх доказанного факта. Наконец, доказательство асимметрично: найденный отпечаток подтверждает конкретное железо, но его отсутствие в будущих релизах ничего не опровергнет — лаборатории тривиально уберут след, реинициализировав веса детерминированным seed или санитизировав чекпоинт перед публикацией.
Источники
Автор
Look at AI, редакция