Unemployment Labs raportoi Blackwell-piirteistä kiinalaisissa tekoälymalleissa

Will DePuen 12. marraskuuta 2026 julkaistussa Unemployment Labsin analyysissä havaittiin alustuskuvioita, jotka vastaavat vientivalvonnan alaisten NVIDIA Blackwell -grafiikkasuorittimien jälkiä kuudessa avoimilla painoilla julkaistussa mallissa, joiden kehittäjiä ovat DeepSeek, Moonshot AI, MiniMax ja Ant Group.

Analyysin mukaan DeepSeek-V4-Flash ja MiniMax-M3 on alustettu B200- tai B300-siruilla, kun taas DeepSeek-V4-Pro, Kimi K3, Kimi K3.1-Pro ja Ling-3.1-flash on alustettu GB200- tai GB300-siruilla. Osumat paljastavat aloituspainojen taustalla olevan laitteiston kokoonpanon; se, ovatko samat sirut myös suorittaneet koulutuksen, on erillinen päätelmä.

Peräkkäiset julkaisut ajoittavat näennäiset muutokset. DeepSeek-V3 antoi Hopper-tulkinnan joulukuussa 2024, ja sitä seurasivat kaksi Blackwell-tulkinnan antanutta V4-mallia huhtikuussa 2026. Moonshot AI:n Kimi K2.5 tulkittiin Hopper-malliksi tammikuussa 2026 ennen heinäkuussa 2026 julkaistua K3:a; MiniMax-M2.7 ja M3 noudattivat samaa kaavaa huhtikuussa 2026 ja kesäkuussa 2026; Ant Groupin Ling-3.0-flash ja Ling-3.1-flash puolestaan elokuussa 2026 ja lokakuussa 2026.

Kuvio ei ollut yleispätevä. Alibaban, Zhipun, Tencentin, Xiaomin ja StepFunin uusimmat tulkittavissa olevat mallit antoivat Hopper- eivätkä Blackwell-tulkintoja.

Miten alustus paljastaa laitteiston kokoonpanon

Menetelmä alkaa painoista eli lukuarvoista, joita koulutus muuttaa. Ennen koulutusta tarkastellussa PyTorch/cuRAND-kokoonpanossa Philox-generaattori tuottaa siemenarvon perusteella toistettavia arvoja. Grafiikkasuorittimen säikeet jakavat nämä arvot painojen sijainteihin, ja riittävän suuressa alustuksessa käytetään 2 048:aa säiettä suoratoistoprosessoria (SM) kohti. SM-yksiköiden määrän muuttaminen vaikuttaa siis siihen, mihin saman generoituja numerot asettuvat.

Testatuissa kokoonpanoissa Hopper H100 SXM-, H200– ja H800-siruissa on 132 SM-yksikköä ja 270 336 säiettä; B200- ja B300-siruissa 148 SM-yksikköä ja 303 104 säiettä; GB200- ja GB300-siruissa 152 SM-yksikköä ja 311 296 säiettä. Tulkinta osoittaa, mihin näistä ryhmistä siru kuuluu, mutta ei yksilöi ryhmän sisällä tiettyä sirua.

Sanoille tai symboleille varatut painot, joita ei esiinny koulutuksessa, voivat säilyttää alkuperäiset arvonsa lähes ennallaan, kun taas koulutetuissa painoissa voi säilyä heikompi tilastollinen yhteys näihin arvoihin. Tutkijat valitsevat siemenarvon ja kokoonpanon yhdelle painojoukolle ja testaavat sitten tämän muuttamattoman yhdistelmän erillisellä painojoukolla, jota ei käytetty haussa.

Raportin tilastollisen mallin mukaan noin 6 biljoonasta siemenarvon ja kokoonpanon yhdistelmästä odotetusti paras sattumaosuma olisi noin 8 sigman suuruinen. Sigma on satunnaisvaihtelusta poikkeamisen tilastollinen mitta. Tunnistettujen mallien parhaat tulokset ovat 49–1 385 sigmaa, ja jokainen yksittäinen testi yltää vähintään 20 sigmaan.

Fyysiset tarkistukset ja arviot koulutuksen mittakaavasta

DePuen fyysisillä siruilla tekemät toistot tarjosivat lisätarkistuksen. DeepSeekiltä palautetun siemenarvon avulla H100 toisti DeepSeek-V3:n säilyneet arvot mutta ei V4-Flashin arvoja, kun taas B300 antoi päinvastaisen tuloksen. B300:lla muuttamaton PyTorch toisti 461 valittua V4-Flash-riviä 469:stä siten, että korrelaatiot olivat yli 0,99; mukana oli 445 riviä, jotka täsmäsivät kokonaan bitti bitiltä. Vuokrattu GB200 toisti kaikki 13 säilynyttä Kimi K3 -riviä Moonshotin siemenarvolla; kumman tahansa palautetun siemenarvon muuttaminen yhdellä tuotti nolla vastaavaa riviä.

Raportin mukaan menetelmä vastasi kaikkia 24 tapausta, joissa kehittäjä oli julkisesti nimennyt tietyn mallin laitteiston. Raportissa kuitenkin huomautetaan, että 11 tapauksessa on kyse nollannen vaiheen tarkistuspisteistä eivätkä toisiinsa liittyvät mallit ole toisistaan riippumattomia. Siksi vertailu on johdonmukaisuuden tarkistus eikä mitattu tarkkuusprosentti.

Kimi K3.1-Pro käyttää K3:n siemenarvoa ja saattaa olla K3:n tarkistuspiste, jota on jatkokoulutettu. Olettaen, että alustukseen käytetty laitteisto suoritti myös koulutuksen, DePue arvioi, että viidessä erillisessä lopullisessa koulutusajossa käytettiin kussakin noin 500–3 000 Blackwell-grafiikkasuoritinta yleensä kahden tai kolmen kuukauden ajan. Laskelmassa koulutuksen laskentateho jaetaan sirun läpimenolla 35 prosentin käyttöasteella. Siinä käytetään DeepSeekin ilmoittamia tokenmääriä ja muiden mallien osalta painoihin perustuvia arvioita tokenmääristä. Saman laskentatavan soveltaminen DeepSeek-V3:een tuotti arvioksi 2 000–2 500 sirua, kun DeepSeekin ilmoittama määrä on 2 048.

Vientivalvonnan valvonnan rajat

Osumat koskevat vain alustusta, eivätkä niiden perusteella voi kartoittaa kaikkia myöhemmässä koulutuksessa käytettyjä prosessoreita. Laboratorio voi luoda alkuarvot yhdessä järjestelmässä ja siirtää ne muualle, sekaklusterista voi jäädä jälkiä vain osasta laitteistoa, eikä Hopper-tulos sulje pois myöhempää Blackwell-koulutusta. Painojen perusteella ei myöskään voi selvittää sirujen omistajaa, sijaintia tai hankintatapaa. DePuen raportissa todetaan, että Blackwell-järjestelmiä voi vuokrata Kiinan ulkopuolella, ja sen mukaan nämä todisteet eivät yksinään osoita salakuljetusta eivätkä vientivalvonnan rikkomista.

AMD:n MI300X on tunnistettu vaihtoehtoinen laitteisto. Siinä on tavallisesti 304 laskentayksikköä, mutta se voidaan jakaa kahteen 152 yksikön ryhmään tai määrittää käyttämään 148:aa yksikköä, jolloin fyysisissä testeissä saadaan aikaan samat kokoonpanot. DeepSeek-V4-Flashissa 377 säilyneestä arvosta, jotka eroavat toimittajien välillä, 363 vastasi NVIDIAa eikä yksikään AMD:tä. Tämä numeerinen testi ei ratkaissut muiden viiden mallin tapausta, vaikka raportin mukaan erityisesti määritetty AMD-klusteri on erittäin epätodennäköinen.

Raportin mukaan B200-, B300-, GB200- ja GB300-piirien vienti Kiinaan edellyttää Yhdysvaltain lupaa, eikä tällaisia lupia ole tiettävästi myönnetty. Raportissa todetaan myös, että MI300X kuuluu vientivalvonnan piiriin. Menetelmä edellyttää julkisesti saatavilla olevia painoja ja tunnistettavaa, laitteistosta riippuvaista alustusrakennetta. Suorittimella tehtävä alustus ei jätä jälkeensä GPU:n rakennetta, eikä Baidun PaddlePaddle-generaattorissa näy tutkittua sirurakennetta.

Analyysi tarjoaa päättäjille teknistä näyttöä laitteiston käytöstä mutta ei ota kantaa valvonnan toimeenpanoon: julkisesti saatavilla olevista painoista voi paljastua alustusrakenne, mutta sen selvittäminen, onko vientivalvontaa rikottu, edellyttäisi edelleen näyttöä siitä, missä laitteistoa käytettiin, kuka sen omisti ja miten siihen saatiin käyttöoikeus.