Unemployment Labs berichtet über Blackwell-Muster in chinesischen KI-Modellen

Eine Analyse von Unemployment Labs von Will DePue, veröffentlicht am 12. November 2026, fand in sechs Open-Weight-Modellen von DeepSeek, Moonshot AI, MiniMax und Ant Group Initialisierungsmuster, die mit den exportkontrollierten Blackwell-GPUs von NVIDIA übereinstimmen.

Die Analyse bringt DeepSeek-V4-Flash und MiniMax-M3 mit einer Initialisierung auf B200- oder B300-Chips sowie DeepSeek-V4-Pro, Kimi K3, Kimi K3.1-Pro und Ling-3.1-flash mit GB200- oder GB300-Chips in Verbindung. Die Übereinstimmungen identifizieren das Hardwarelayout, das den Ausgangsgewichten zugrunde liegt; ob diese Chips auch für das Training verwendet wurden, ist eine davon getrennte Schlussfolgerung.

Aufeinanderfolgende Veröffentlichungen machen die scheinbaren Änderungen zeitlich sichtbar. DeepSeek-V3 ergab im Dezember 2024 einen Hopper-Befund; im April 2026 folgten die beiden V4-Modelle mit Blackwell-Befund. Bei Moonshot AI ergab Kimi K2.5 im Januar 2026 einen Hopper-Befund, bevor K3 im Juli 2026 folgte; MiniMax-M2.7 und M3 zeigten dasselbe Muster im April 2026 beziehungsweise Juni 2026; Ant Groups Ling-3.0-flash und Ling-3.1-flash taten dies im August 2026 beziehungsweise Oktober 2026.

Das Muster zeigte sich nicht überall. Die neuesten auswertbaren Modelle von Alibaba, Zhipu, Tencent, Xiaomi und StepFun ergaben Hopper- statt Blackwell-Befunde.

Wie die Initialisierung ein Hardwarelayout erkennen lässt

Die Methode setzt bei den Gewichten an, den numerischen Parametern, die beim Training angepasst werden. Vor dem Training verwendet die untersuchte PyTorch/cuRAND-Konfiguration den Philox-Generator, um anhand eines Startwerts wiederholbare Werte zu erzeugen. GPU-Threads verteilen diese Werte auf die Positionen der Gewichte; bei einer ausreichend großen Initialisierung kommen 2.048 Threads pro Streaming Multiprocessor (SM) zum Einsatz. Eine Änderung der SM-Anzahl verändert daher, an welchen Stellen dieselben generierten Zahlen landen.

In den getesteten Konfigurationen verfügen Hopper-H100-SXM-, H200– und H800-Chips über 132 SMs und 270.336 Threads; B200- und B300-Chips über 148 SMs und 303.104 Threads; GB200- und GB300-Chips über 152 SMs und 311.296 Threads. Ein Befund identifiziert eine dieser Gruppen, nicht einen bestimmten Chip innerhalb der Gruppe.

Gewichte, die Wörtern oder Symbolen vorbehalten sind, die im Training nicht vorkommen, können ihre ursprünglichen Werte nahezu unverändert bewahren, während trainierte Gewichte möglicherweise noch einen schwächeren statistischen Zusammenhang mit diesen Werten aufweisen. Die Forschenden wählen anhand eines Satzes von Gewichten einen Startwert und ein Layout aus und testen dann dieselbe unveränderte Kombination an einem separaten Satz, der von der Suche ausgeschlossen war.

Dem statistischen Modell zufolge schätzt der Bericht, dass bei ungefähr 6 Billionen Kombinationen aus Startwert und Layout die erwartete stärkste Zufallsübereinstimmung etwa 8 Sigma erreichen würde. Sigma ist ein statistisches Maß für die Abweichung von zufälligen Schwankungen. Die stärksten Ergebnisse der identifizierten Modelle liegen zwischen 49 und 1.385 Sigma, und jeder durchgeführte Einzeltest erreicht mindestens 20 Sigma.

Physische Überprüfungen und Schätzungen zum Trainingsumfang

DePues Reproduktionen auf physischen Chips lieferten eine weitere Überprüfung. Mit dem rekonstruierten Startwert von DeepSeek reproduzierte ein H100 die erhaltenen Werte von DeepSeek-V3, nicht aber die von V4-Flash; bei einem B300 war es umgekehrt. Auf dem B300 reproduzierte ein unverändertes PyTorch 461 der 469 ausgewählten V4-Flash-Zeilen mit Korrelationen von über 0,99, darunter 445 Zeilen, die vollständig Bit für Bit übereinstimmten. Ein gemieteter GB200 reproduzierte mit dem Startwert von Moonshot alle 13 erhaltenen Kimi-K3-Zeilen; eine Änderung eines der beiden rekonstruierten Startwerte um eins führte zu keiner übereinstimmenden Zeile.

Dem Bericht zufolge stimmte die Methode in allen 24 Fällen mit den Angaben überein, in denen ein Entwickler die Hardware eines bestimmten Modells öffentlich benannt hatte. Zugleich weist der Bericht darauf hin, dass es sich bei 11 Fällen um Prüfpunkte aus Schritt null handelt und verwandte Modelle nicht unabhängig voneinander sind. Der Vergleich ist daher eine Konsistenzprüfung und keine gemessene Genauigkeitsrate.

Kimi K3.1-Pro verwendet den Startwert von K3 und könnte ein K3-Prüfpunkt mit weiterem Post-Training sein. Unter der Annahme, dass die Hardware für die Initialisierung auch das Training durchgeführt hat, schätzt DePue für fünf verschiedene abschließende Trainingsläufe jeweils ungefähr 500 bis 3.000 Blackwell-GPUs, in der Regel über einen Zeitraum von zwei bis drei Monaten. Bei der Berechnung wird der Rechenaufwand für das Training durch den Chipdurchsatz bei 35 % Auslastung geteilt; dabei werden die von DeepSeek veröffentlichten Token-Zahlen und für die anderen Modelle anhand ihrer Gewichte geschätzte Token-Zahlen verwendet. Dieselbe Rechnung ergibt für DeepSeek-V3 2.000 bis 2.500 Chips, verglichen mit den von DeepSeek veröffentlichten 2.048.

Grenzen bei der Durchsetzung von Exportkontrollen

Eine Übereinstimmung betrifft ausschließlich die Initialisierung; sie kann nicht sämtliche Prozessoren erfassen, die später beim Training zum Einsatz kamen. Ein Labor könnte die Ausgangswerte auf einem System erzeugen und anschließend übertragen; in gemischten Clustern könnten nur Spuren eines Teils der Hardware zurückbleiben; und ein Hopper-Befund schließt ein späteres Training auf Blackwell nicht aus. Auch lassen sich aus den Gewichten weder der Besitz noch der Standort oder die Beschaffung der Chips ableiten. DePues Bericht merkt an, dass Blackwell-Systeme außerhalb Chinas gemietet werden können, und erklärt, dass diese Belege für sich genommen weder Schmuggel noch einen Verstoß gegen Exportkontrollen nachweisen.

AMDs MI300X ist die identifizierte Hardware-Alternative. Normalerweise verfügt sie über 304 Recheneinheiten, kann aber in zwei Gruppen zu je 152 Einheiten aufgeteilt oder auf 148 Einheiten konfiguriert werden und so in physischen Tests die Layouts nachbilden. Bei DeepSeek-V4-Flash stimmten 363 der 377 erhaltenen Werte, die sich zwischen den Anbietern unterscheiden, mit NVIDIA überein; keiner davon stimmte mit AMD überein. Dieser numerische Test klärte die übrigen fünf Modelle nicht, auch wenn der Bericht einen speziell konfigurierten AMD-Cluster für sehr unwahrscheinlich hält.

Dem Bericht zufolge ist für den Export von B200, B300, GB200 und GB300 nach China eine US-Lizenz erforderlich; solche Lizenzen seien jedoch nicht gemeldet worden. Außerdem unterliege der MI300X Exportkontrollen. Die Methode setzt öffentliche Gewichte und ein erkennbares, hardwareabhängiges Initialisierungsmuster voraus. Bei einer Initialisierung auf der CPU entsteht kein GPU-Layout, und der Generator von Baidus PaddlePaddle weist das untersuchte Chip-Layout nicht auf.

Die Analyse liefert politischen Entscheidungsträgern technische Belege für den Zugang zu Hardware, ohne daraus eine Schlussfolgerung zur Durchsetzung der Vorschriften abzuleiten: Öffentliche Gewichte können ein Initialisierungsmuster offenlegen. Um jedoch festzustellen, ob Exportkontrollen verletzt wurden, wären weiterhin Belege dazu erforderlich, wo die Hardware eingesetzt wurde, wem sie gehörte und wie der Zugang dazu erlangt wurde.