权重藏芯片指纹：前 OpenAI 员揭中国六 AI 模型涉 Blackwell

据 Woofun AI 消息，前 研究员 发布一份技术鉴识报告，指控 、、 与蚂蚁集团旗下共六款最新 AI 模型，其初始权重特征与美国禁止出口中国的 芯片高度吻合，引发业界对出口管制执行效力的关注。

报告明确点名涉事模型包括 、、、、 以及 ，这些模型均于 2026 年 4 月之后释出。从芯片型号对应来看，-Flash 与 MiniMax-M3 的权重特征吻合 或 芯片，而其余四款模型则指向英伟达旗舰机柜系统所使用的 或 。

这意味着这些中国顶尖 AI 实验室在近期可能已全面转向使用被禁运的先进硬件进行模型训练。

为了验证这一发现的独特性，报告将上述新模型与同一批公司的旧模型进行了对比。数据显示，DeepSeek 截至 2024 年 12 月的 V3 模型、月之暗面截至 2026 年 1 月的 模型，以及 MiniMax 截至 4 月的 M2.7 模型，其权重特征均指向上一代 架构，这与 DeepSeek 和月之暗面此前公开承认使用 训练的情况一致。

值得注意的是，并非所有中国实验室都出现了这种转变。通义千问、智谱、腾讯、与阶跃星辰的最新模型，经检测仍显示为 Hopper 架构；美团声称其 全程使用自家 AI 芯片训练，报告亦未在该模型权重中发现英伟达芯片的指痕。

Woofun AI 整理技术细节显示，该鉴识方法的核心在于 框架初始化权重时的随机数生成机制。训练前，数十亿个权重需填入随机起始值，PyTorch 利用一个"种子"数字产生乱数，并分配给 GPU 上的大量执行绪同时填写。由于执行绪总数取决于芯片运算单元数量，Hopper 架构为 132 个，B200/B300 为 148 个，GB200/GB300 为 152 个，同一个种子在不同芯片上产生的数字虽相同，但填入位置不同，从而形成独特的"芯片指纹"。DePue 搜寻了约 6 兆种"种子加芯片排列"组合，报告估算纯靠运气最多仅会产生约 8 个标准差的吻合，而六款模型的最强证据落在 49 到 1,385 个标准差之间，最弱的单项测试也有 20 个标准差，统计显著性极高。

为进一步实体验证，报告进行了交叉测试。DeepSeek 使用的种子为 953049583，在 B300 芯片上使用未修改的 PyTorch 可逐位元重现 DeepSeek-V4-Flash 未被训练过的起始权重，而在 上则无法重现；租赁的 GB200 芯片也以 0.999995 的相关系数成功重现了 K3 的权重特征。

此外，报告对 24 个开发者公开过训练硬件的模型进行测试，结果全部一致，例如 的 读出 H100 特征，英伟达自家的 读出 GB200 特征。

尽管报告说明这些模型并非完全独立，此举仅为一致性检查而非实测准确率验证，但结果强化了方法的可靠性。在训练规模估算方面，报告推测 Kimi K3 与 DeepSeek-V4-Pro 分别使用了约 4,500 张与 3,000 张 Blackwell GPU，训练时长约两到三个月，五个训练案合计约 1.2 万张。