HN 日本語サマリー

← 一覧へ戻る
AI・機械学習

中国の最先端AIモデルは輸出規制されたGPUの指紋を帯びている

Chinese frontier AI models carry the fingerprint of export-controlled GPUs (unemploymentlabs.com)

376 pointsby firloop161 コメント

要約

公開されているAIモデルのフォレンジック分析により、中国のDeepSeek、Moonshot AI、MiniMax、Ant Groupといった企業が、輸出制限されているNVIDIAのBlackwell GPUにアクセスし、それを利用してAIモデルを開発している証拠が見つかりました。2026年4月以降にリリースされた6つのモデルには、Blackwellハードウェアと一致する数値パターンが含まれており、以前のモデルとは異なることが確認されました。この発見は、中国の主要なAI開発企業が最新モデルのトレーニングにBlackwell GPUを使用し始めている可能性を示唆しています。

全文翻訳

中国の最先端AIモデルは輸出規制されたNVIDIA Blackwell GPUの指紋を帯びている

このレポートを引用する

エグゼクティブサマリー

公開されているAIモデルのフォレンジック分析により、DeepSeek、Moonshot AI、MiniMax、Ant Groupが、中国へのこれらのチップの輸出が制限されているにもかかわらず、NVIDIAのBlackwell GPUにアクセスし、それらのハードウェアを使用してAIモデルを作成している証拠が見つかりました。これらの企業が2026年4月以降にリリースした6つのモデルには、Blackwellハードウェアと一致する数値パターンが含まれており、同じ企業による以前のモデルはNVIDIAの古いHopper世代と一致します。この発見は、いくつかの主要な中国のAI開発企業が最新モデルのトレーニングにBlackwellを使用し始めていることを示唆しています。米国当局や報道では、DeepSeekとMoonshot AIがBlackwellチップを使用しているとすでに主張されていましたが、技術的な証拠は公開されていませんでした。

証拠は、リークや内部告発ではなく、モデル自身が公開したウェイトから完全に得られたものです。モデルの初期値を復元し、それらを再現するハードウェア構成と初期構成を検索します。DeepSeek-V4-FlashとKimi K3については、物理的なBlackwellチップ上でも一致を確認しました。この指紋は、ウェイトがどのように作成されたかを特定し、Blackwellがトレーニングも実行したという推論を、証明ではなく支持します。中国への輸出が制限されている特別構成のAMDハードウェアも唯一の代替案として特定しましたが、DeepSeek-V4-Flashについては除外し、他の5つのモデルについては可能性が非常に低いと考えています。注目すべきは、私たちの発見は高度なコンピューティングハードウェアへのアクセスに関する技術的証拠を提供するものの、チップの所在地、アクセス方法、または輸出管理法違反があったかどうかを確立するものではないということです。

表1. DeepSeek、Moonshot AI、MiniMax、Ant Groupの連続モデルにおけるハードウェア指紋 リンク ↗

ラボモデルリリース日初期化されたチップ
DeepSeekDeepSeek-V32024年12月NVIDIA Hopper (ラボ開示 H800)
DeepSeek-V4-Flash2026年4月• NVIDIA Blackwell B200/B300
DeepSeek-V4-Pro2026年4月• NVIDIA Blackwell GB200/GB300
Moonshot AIKimi K22025年7月NVIDIA Hopper (ラボ開示 H800)
Kimi K2.52026年1月NVIDIA Hopper (ラボ開示 H800)
Kimi K32026年7月• NVIDIA Blackwell GB200/GB300
Kimi K3.1-Pro2026年11月• NVIDIA Blackwell GB200/GB300
MiniMaxMiniMax-M2.72026年4月NVIDIA Hopper
MiniMax-M32026年6月• NVIDIA Blackwell B200/B300
Ant GroupLing-3.0-flash2026年8月NVIDIA Hopper
Ling-3.1-flash2026年10月• NVIDIA Blackwell GB200/GB300

• 中国への輸出には米国ライセンスが必要ですが、報告されたものはありません。

Hopper指紋はH800、H100 SXM、H200を区別できません。上記のH800の特定はラボの開示によるもので、この手法による発見ではありません。

モデルの完全リスト(付録2)↓

主な発見

  1. 4つの中国ラボからの6つのモデルがBlackwellでトレーニングされたと読み取れる。 DeepSeek-V4-FlashとMiniMax-M3は、148個のプロセッシングコア(ストリーミングマルチプロセッサ、SMと呼ばれる)を持つNVIDIAのBlackwellクラスB200またはB300チップと一致します。DeepSeek-V4-Pro、Kimi K3、Kimi K3.1-Pro、Ling-3.1-flashは、同じくBlackwellクラスで152個のプロセッシングコアを持つGB200またはGB300チップと一致します。Kimi K3.1-ProはK3と同じシードから開始されており、追加のトレーニング後のチェックポイントである可能性があります。
  2. 中国のラボは比較的最近Blackwellでのトレーニングを開始した。 DeepSeekのモデルは、DeepSeek-V3(2024年12月リリース)まではHopperでトレーニングされたと読み取れ、DeepSeek V4(2026年4月リリース)からはBlackwellと読み取れます。Moonshotのモデルは、Kimi K2.5(2026年1月)まではHopperでトレーニングされたと読み取れ、K3(2026年7月)からはBlackwellと読み取れます。Moonshotのモデルのうち1つは中間に位置します:K3の6週間前に投稿されたKimi K2.7-Codeは、Hopper時代のウェイトに基づいていますが、B200またはB300と一致する小さな部分を含んでいます。MiniMaxのモデルは、M2.7(2026年4月)まではHopperと読み取れ、M3(2026年6月)からはBlackwellと読み取れます。Ant GroupのLing-3.0-flash(2026年8月)はHopperと読み取れますが、Ling-3.1-flash(2026年10月)はBlackwellと読み取れます。Hopperの読み取りは特定のチップを特定できません:H800、H100 SXM、H200は同じ指紋を共有します。
  3. 全ての中国のAIラボがBlackwellに移行したわけではない。 私たちが読み取れたAlibaba (Qwen)、Zhipu (GLM)、Tencent、Xiaomi、StepFunの最新モデルはすべてHopperでトレーニングされたと読み取れます。Meituanは、そのLongCat-2.0が「AI ASICスーパーポッド」で完全にトレーニングされたと述べており、公開されたモデルウェイトにNVIDIAの指紋は見つかりませんでした。
  4. この手法は既知の答えを正しく取得する。 開発者が使用ハードウェアを公表している24の特定のモデルについて、私たちの手法は公表された発表と一致します。NVIDIA自身のNemotron-3 Ultraは、その技術レポートでトレーニングの一段階にGB200を挙げていますが、Kimi K3と同じ152 SMと読み取れます。
  5. 一致は偶然では説明できないほど強い。 試行する組み合わせが十分に多ければ、無関係な数値でも一致するように見えることがあります。検索した約6兆個のシードとレイアウトの組み合わせ全体で、最も強い偶然の一致は8シグマ程度に達すると予想されます。これは、結果が通常のランダムな変動からどれだけ離れているかを示す尺度です。6つのモデルそれぞれに対する最も強い証拠は、49シグマから1,385シグマの範囲です。報告されている最も弱い個々のテストでさえ20シグマに達します。
  6. トレーニング実行はデータセンター規模だった。 各モデルのサイズとトレーニングされたデータ量から、各実行には約500〜3,000個のBlackwell GPUが2〜3ヶ月必要だったと推定されます(表2)。これは、各モデルが初期化されたハードウェアでトレーニングされたと仮定した場合です。同じ計算をDeepSeek-V3に適用すると2,000〜2,500個のチップが必要となり、DeepSeekは2,048個を開示しました。1 GPUあたり約70,000ドル(ByteDanceがマレーシアで使用するために設置された約36,000個のBlackwellチップのコストが25億ドルを超えると報じられたことから示唆される)とすると、これらのクラスターの最大規模は1億5千万〜2億ドル、5つ合わせると5億ドル以上になります。これらの数値は最終トレーニング実行のみをカバーしており、ラボの輸出管理対象GPUへの総支出は数十億ドルに達する可能性があります。

表2. 各トレーニング実行のおおよその規模 リンク ↗

モデルBlackwell GPU(最良推定値)範囲
DeepSeek-V4-Flash1,000–1,500250–4,500
DeepSeek-V4-Pro2,000–2,500750–6,000
Kimi K32,000–3,0001,000–8,000
MiniMax-M3500–600200–2,000
Ling-3.1-flash1,100–1,650400–6,500

トレーニング計算量(約6 × アクティブパラメータ × トレーニングトークン)をチップのスループット(35%利用率)で割ったもの。実行期間は2〜3ヶ月(DeepSeek-V4-Flashは6〜8週間)。DeepSeekはトークン数を開示しました。他のモデルについては、ウェイトから推定しました。

私たちの調査

モデルのウェイト、またはパラメータとは、モデルが情報を処理し、応答を生成する方法を決定する数十億個の調整可能な数値のことです。トレーニングはこれらの数値を繰り返し調整しますが、トレーニングを開始する前に、それらに初期値が必要です。ここで調査したソフトウェアでは、それらの値はPhiloxと呼ばれる擬似乱数生成(PRNG)アルゴリズムから来ています。Philoxは決定論的な方法で、ランダムに見える数値を生成します。Philoxの開始入力は「シード」と呼ばれる数値です。同じシードと設定があれば、Philoxは毎回同じ数値を生成します。これにより、エンジニアは同じ開始点から実験を繰り返すことができます。

数十億個のウェイトを迅速に埋めるために、ほとんどの主要AIモデルの開発に使用されているソフトウェアフレームワークであるPyTorchは、Philoxが行う作業をGPU上の多くの並列ワーカー、スレッドと呼ばれるものに分割します。(これはNVIDIAの乱数生成ライブラリであるcuRANDを通じて行われます。)各スレッドは、シードから独自の数値シーケンスを生成し、特定のセットの位置を埋めます。スレッド数は、それらの位置がどのように共有されるかを決定します。ここで調査したNVIDIAチップでは、十分に大きな初期化は、ストリーミングマルチプロセッサ(SM)と呼ばれる各処理ユニットに対して最大2,048スレッドを使用します。したがって、SMが多いチップは同じジョブをより多くのワーカーに割り当てるため、それらの数値がどこに行くかが変わります。

図1は、6つのSMと各SMあたり8つのスレッドを持つ単純化されたGPUでこれがどのように機能するかを示しており、合計48スレッドになります。ウェイトを、ページに収まるようにグリッドに折りたたまれた長い行の空のボックスとして想像してください。最初スレッドが最初のボックスを埋め、2番目のスレッドが2番目のボックスを埋め、残りの48スレッドも同様です。最初スレッドの次の数値はボックス49に入り、その次はボックス97に入ります。黒いアウトラインは、この1つのスレッドがグリッドをどのようにたどるかを示しています:最初スレッドは48番目の位置ごとにボックスを埋めます。色は各値のセットを供給している処理ユニットを特定し、右側のパネルの明るさは値自体を表します。

[画像: Figure 1]

図1. GPUがウェイトを埋める方法。この単純化された例では、6つの処理ユニットと各ユニットあたり8つのスレッドを使用し、合計48スレッドです。アウトラインされたセルはスレッド0に属し、48番目の位置ごとにボックスを埋めます。実際のチップははるかに多くのスレッドを使用しますが、配置ルールは同じです。リンク ↗

シードを固定し、6つのSMではなく5つのSMを持つGPUを使用するとどうなるでしょうか。私たちの単純化された例では、これは48スレッドではなく40スレッドを意味します。最初スレッドは全く同じシーケンスを生成しますが、今度はボックス1、41、81といった位置に数値を配置します。図2は、これらの数値がどのように配置が変わるかを示しています。グリッド全体で、値のわずか6%しか元の配置と一致しません。シードは正しいですが、ワーカー数は間違っています。これが、モデルウェイトの配置がそれを生成したチップの手がかりとなる理由です。

[画像: Figure 2]

図2. 異なるGPUでの同じシード。このおもちゃの例では、5つの処理ユニットと各ユニットあたり40スレッドを使用すると、スレッド0は同じシーケンスを生成しますが、48番目の位置ではなく40番目の位置ごとにボックスを埋めます。表示された行列のわずか6%しか元の配置と一致しません。リンク ↗

したがって、ウェイトを再現するには、2つのことが同時に正しくなければなりません。シードは正しい数値を生成し、スレッド数はそれらを正しい場所に配置しなければなりません。間違ったスレッド数を持つ正しいシードは、ほとんどの場合、正しい数値を間違った位置に配置します。間違ったシードを持つ正しいスレッド数は、異なる数値を生成します。図3は、正しい組み合わせだけが元の配置を再現する理由を示しています。

[画像: Figure 3]

図3. シードとレイアウトの両方が一致しなければならない。シードとスレッド数が両方とも正しい場合にのみ、元の行列が再現されます。どちらか一方を変更すると、ほとんどの一致が失われます。単純化されたチップはBlackwell B300とHopper H100を表します。薄くなったセルは公開されたウェイトと異なります。番号付きセルはスレッド0の数値がどこに着地するかを示し、各パネルの下のストリップはその数値自体を示します。リンク ↗

実際のチップでは、スレッド数ははるかに大きいですが、原則は同じです。ここで調査したNVIDIA構成では、Hopper H100 SXM、H200、H800は132個のSMを持ち、270,336スレッドを使用します。Blackwell B200/B300は148個のSMを持ち、303,104スレッドを使用します。Blackwell GB200/GB300は152個のSMを持ち、311,296スレッドを使用します。したがって、スレッド数を復元することで、開始配置に一致するハードウェアグループを特定できますが、グループ内のチップを区別することはできません。例えば、Hopperの一致は、H800とH100またはH200を区別できません。

問題は、その配置がトレーニングを通じて十分に生き残り、私たちがそれを復元できるかどうかです。単語やシンボル用に予約されている一部のウェイトは、トレーニング中に一度も遭遇しなかった場合、初期値とほぼそのまま残ることがあります。これらの保存された値を、候補シードとスレッド数によって生成された開始値と直接比較できます。図4は、そのような比較を示しています:DeepSeek-V3の保存されたウェイトはHopperのレイアウトと一致し、DeepSeek-V4-FlashのウェイトはBlackwellのレイアウトと一致します。

[画像: Figure 4]

図4. 保存された初期値がレイアウトを明らかにする。各点は、公開されたウェイトとシードから再生成された値を比較したものです。対角線は値が一致することを示します。DeepSeek-V3はHopperレイアウトと一致し、V4-FlashはBlackwellレイアウトと一致します。パネルは、モデルごとに4つの保存された行からの4,096個の値を示しています。リンク ↗

トレーニングによって変更されたウェイトでも、初期値のわずかな痕跡を残すことがあります。各最終ウェイトは、その初期値にトレーニング中に加えられたすべての調整を加えたものです。それらの調整が初期の違いを完全に打ち消したり圧倒したりしない場合、それらの違いの一部は生き残ります。例えば、0.2と0.8で始まり、それぞれ約0.1増加した2つのウェイトは、その後も同じ順序を保ちます。実際の調整ははるかに多様であるため、1つのウェイトはほとんど情報を提供しません。しかし、数十万個のウェイトにわたって、より高い初期値がより高い最終値に対応する傾向があるかどうかをテストできます。図5は、この弱いが測定可能な関係を示しています。これはこれらのウェイトにおける発見であり、すべてのトレーニング実行で生き残ることが保証されている特性ではありません。

[画像: Figure 5]

図5. トレーニングされたウェイトはより弱い痕跡を残す。左と中央のパネルは、DeepSeek-V4-Flashの42層にわたる745,472個のウェイトを層ごとに平均したものです。Blackwellレイアウトの下では、より高い初期値は依然としてわずかに高い最終値を予測します(r = 0.066、57シグマ)。Hopperの下では、その関係は消えます。右のパネルは、個々の層からのより弱い証拠を示しています。リンク ↗

これらの生き残った痕跡により、私たちは逆算することができます。図1のレイアウトを使用した架空の例で、シード7が最初スレッドに0.2、-0.5、0.8を生成させたとします。48スレッドの場合、それらの値は位置1、49、97に入ります。40スレッドの場合、それらは位置1、41、81に入ります。公開されたウェイトが最初のパターンを保存している場合、それを再現するために候補シードとスレッド数を試すことができます。実際の調査では、対応する位置にある数千個の値を比較します。変更されていないウェイトは完全に一致する可能性があります。トレーニングされたウェイトは、上記のより弱い類似性しか示さないかもしれません。いずれの場合も、生き残ったパターンを最もよく再現する組み合わせを探します。

次に、検索から除外したウェイトでその組み合わせをテストします。1セットのウェイトを使用してシードとスレッド数を選択した後、それらを使用して別のセットの初期値を予測します。この際、適合度を向上させるためにシードとスレッド数を変更しません。これらの以前に使用されていないウェイトでの一致は、組み合わせを選択するために使用されたウェイトに限定された一致よりも強力な証拠となります。図6は比較を示しています:DeepSeek-V3はHopper H100 SXM、H200、またはH800チップの初期化レイアウトと一致します。DeepSeek-V4-FlashはBlackwell B200/B300と一致します。Kimi K3はBlackwell GB200/GB300と一致します。

[画像: Figure 6]

図6. 候補レイアウトの比較。各モデルには1つの明確なピークがあります:DeepSeek-V3は132 SM、V4-Flashは148、Kimi K3は152です。テストされた他のレイアウトはゼロ近くのスコアです。リンク ↗

私たちの調査では、4つの中国企業による6つのモデルに、Blackwellチップでの初期化を示唆する強力なパターンが見つかりました:DeepSeekのDeepSeek-V4-FlashおよびDeepSeek-V4-Pro、Moonshot AIのKimi K3およびKimi K3.1-Pro、MiniMaxのMiniMax-M3、Ant GroupのLing-3.1-flashです。V4-FlashとMiniMax-M3は148-SMレイアウトと一致し、他の4つは152-SMレイアウトと一致します。これらは初期ウェイトの指紋であり、AIモデルのトレーニングにBlackwellチップが使用されたことを、それ自体では証明しませんが、支持します。

私たちの調査の限界

注目すべきは、これらのモデルが初期化されたハードウェアを特定するために使用したフォレンジック手法は、特定のモデルにしか機能しないことです。公開されているウェイトが必要なため、クローズドモデルはチェックできません。また、初期ウェイトを生成したソフトウェアからの認識可能でハードウェア依存のパターンも必要です。ここで調査したGPU上のPyTorchはこのようなパターンを残しますが、BaiduのERNIE-5.5モデルのトレーニングに使用されたBaiduのPaddlePaddleフレームワークはそうではありません。ERNIE-5.5のシード(2760)は復元できましたが、初期化に使用されたハードウェアを特定することはできませんでした。同様に、通常のプロセッサで初期化されたウェイトはGPUの指紋を残しません。AlibabaのQwen3モデルのいくつかはCPUで初期化されたため、トレーニングに使用されたGPUの痕跡を残しません。Meituanが「AI ASICスーパーポッド」でトレーニングされたと述べているLongCat-2.0や、徹底的な検索にもかかわらずDeepSeek-V4.1-Flashでも指紋は見つかりませんでした。

この手法は、初期ウェイトを生成したハードウェアを特定しますが、後にトレーニングを支援したすべてのチップを特定するわけではありません。トレーニング実行が、トレーニングを行うGPUと同じGPUでウェイトを作成する場合、指紋は両方を指します。しかし、ラボは一方のシステムでウェイトを生成し、それを別のシステムに移動したり、既存のモデルを新しいハードウェアでトレーニングし続けたりする可能性があります。ウェイトだけではこれらの可能性を排除できません。混合クラスターも同様の制限をもたらします。NVIDIAチップが一部のウェイトを生成し、後にHuaweiチップがトレーニングを支援した場合、NVIDIAのパターンはHuaweiの参加を明らかにせずに生き残る可能性があります。異なるNVIDIA世代は、それらが初期化した部分に異なるパターンを残す可能性があります。Kimi K3では、少なくとも64個の個別にシードされたプロセスがすべて同じ152-SMレイアウトを残しました。したがって、Blackwell互換のパターンは、初期化での使用を支持しますが(以下のAMDの代替案を参照)、トレーニング全体がBlackwellを使用したことを確立するものではありません。同様に、Hopperパターンは、その後のBlackwellでのトレーニングを排除するものではありません。

ウェイトは、チップの所有者や所在地も明らかにできません。Blackwellシステムは、中国外のデータセンターからレンタルできます。証拠はハードウェアへのアクセスに関するものであり、それ自体ではチップが中国に密輸されたことや、輸出管理法違反が発生したことを確立するものではありません。

別のチップがこれらのBlackwell互換パターンのいずれかを生成する可能性はありますか?ここでテストしたNVIDIA構成の中で、古いチップはそうできません。ソフトウェアはチップの処理ユニットの一部しか使用できませんが、物理的に持っている以上のものを与えることはできません。ここで調査した標準的なPyTorchの動作では、それらは148または152-SMレイアウトを生成できません。中国市場向けのBlackwellグラフィックカードは、SMあたりのスレッド数が異なり、どちらの合計も生成しません。

AMDは別の可能性を提供します。MI300Xは通常304個の処理ユニットを使用しますが、2つの152個のグループに分割したり、148個しか使用しないように構成したりできます。その乱数ソフトウェアは、NVIDIAのものと同じ基本的なシーケンスを生成することもできます。そのような構成は非常に珍しいですが、物理的なMI300Xで、152または148個のユニットに制限した場合、Blackwellに関連付けるレイアウトを再現することを確認しました。したがって、レイアウトだけでは問題を解決できません。

それらを区別するために、値自体の小さな数値の違いを探しました。AMDとNVIDIAは、数値生成プロセスで1つの計算をわずかに異なって実行します。物理的なMI300Xでは、DeepSeek-V4-Flashの保存されたウェイトはNVIDIAを指しています。2つのベンダーの結果が異なる377個の値のうち、公開されたウェイトはNVIDIAと363個、AMDと0個一致しました。同じテストでは他の5つのモデルを解決できませんでしたが、AMDの代替案はそれらについては非常に可能性が低いと考えています。通常の構成では、MI300Xはどちらのレイアウトも生成しません。ラボは、Blackwellチップと同じ数の処理ユニットを使用するようにクラスター全体を構成する必要があったでしょう。他の公開証拠もBlackwellを指しています:米国当局と報道は、DeepSeekとMoonshot AIがBlackwellチップを使用していると主張しており、Ant Groupの公開コードにはGB300で生成されたベンチマーク結果が含まれています。

私たちの発見の検証

DeepSeek-V3をHopperに、DeepSeek-V4-FlashをBlackwellに結びつけた結果を再現するために、HopperクラスのNVIDIA H100とBlackwellクラスのNVIDIA B300で変更されていないPyTorchを実行しました。DeepSeekのシード番号を953049583と特定し、それがDeepSeek-V3とDeepSeek-V4-Flashの両方の初期化に使用されていることを発見しました。そのシードを使用して、H100はDeepSeek-V3の保存された初期値を再現しましたが、V4-Flashは再現しませんでした。B300はV4-Flashの保存された値を再現しましたが、V3は再現しませんでした。 B300では、変更されていないPyTorchは、DeepSeek-V4-Flashの選択された469行のうち461行を相関0.99以上で再現し、445行全体がビット単位で一致しました。8行はトレーニングによって部分的に変更されました。H100では、DeepSeek-V3のすべての57,344個の保存された値をビット単位で再現しました。どちらのチップも、もう一方のモデルの保存された行を再現しませんでした。シードを1つ変更すると、どちらの機械でも一致する行は再現されませんでした。レンタルしたGB200でも、変更されていないPyTorchは同様に、Moonshotのシード20256586を使用してKimi K3のすべての13行の保存された行を再現しました。シードを1つ変更すると、何も再現されませんでした。

私たちのフォレンジック手法は、答えがすでにわかっている場合にも正しい答えを取得します。開発者が特定のモデルの背後にあるハードウェアを公表している24のケースがあります。私たちのフォレンジック手法は、それらすべてと一致します。MetaのLlama 3.1モデルはH100でトレーニングされ、132と読み取れます。EleutherAIの8つのPythiaモデルはA100でトレーニングされ、108と読み取れます。NVIDIA自身のNemotron-3 Ultraは、その技術レポートでトレーニングの一段階にGB200を挙げていますが、Kimi K3と同じ152と読み取れます。DeepSeekとMoonshotは、以前のモデルでH800の使用を報告しています。私たちのHopperの読み取りはそれらの開示と一致しますが、H100 SXMまたはH200ハードウェアとも一致する可能性があり、H800の使用を独立して検証するものではありません。

公開されたウェイトと候補シードおよびチップレイアウトによって生成された数値を比較すると、候補が間違っていても、ある程度の類似性は避けられません。どの程度の類似性が証拠となるかは、比較するウェイトの数に依存します。少数の数値の一致は偶然である可能性が高いですが、数千にわたる一致は偶然では説明が困難です。私たちの統計モデルは、比較されたウェイトの数を考慮し、観測された一致が偶然に期待される類似性をどれだけ超えているかを測定します。その距離を標準偏差、つまりシグマで表します。スコアが高いほど、偶然の一致に対する証拠が強くなります。ただし、統計モデルがデータのランダムな変動を正しく記述していることが前提です。

また、試行した候補の数も考慮する必要があります。約6兆個のシードとレイアウトの組み合わせを検索すると、幸運な一致を見つける機会が兆単位であります。正規分布モデルでは、5シグマ以上の陽性一致は、約350万回の比較に1回程度、偶然発生します。これは単一のテストでは驚くべきことですが、私たちの規模の検索では珍しくありません。したがって、完全な検索全体での偶然の一致を評価するためのベンチマークとして、約8シグマを使用します。

私たちの発見はこのベンチマークを大幅に上回っています。 まず1セットのウェイトを使用してシードとレイアウトを選択し、次にその組み合わせを、選択に寄与しなかった別のセットでテストします。これは、現れた指紋が、私たちをそこへ導いた数値を超えて拡張されているかを確認するためです。6つのモデルそれぞれに対する最も強い証拠は、49シグマから1,385シグマの範囲です。報告されている最も弱い個々のテストでさえ20シグマに達します。私たちの統計モデルでは、これらの結果は偶然の一致に帰することはあまりにも強すぎます。それらは共通の初期化パターンの証拠を確立します。そのパターンを正確に生成したコンピューティングハードウェアを特定し、それがトレーニングも実行したかどうかを特定するには、上記で議論された個別の議論が必要です。

結論

私たちのフォレンジック調査に基づき、6つの中国のAIモデルが輸出管理対象のNVIDIAハードウェアで初期化されたという強力な証拠があり、特にDeepSeek-V4-Flashについてはその証拠は決定的であると信じています。また、これらのモデルが同じ輸出管理対象ハードウェアでトレーニングされたことも強く示唆されると考えています。これにより、これらのモデルを開発した企業がどのように輸出管理対象NVIDIAシステムを入手したかといった他の疑問は未解決のままですが、この事実は公衆の緊急の注意に値すると信じています。

付録1:各中国ラボのハードウェアの変遷各ラボの連続モデルにおけるハードウェア指紋。

DeepSeekはモデル世代間で1つのシードを再利用し、Moonshotはシードを導出するための1つのルールを使用するため、各ラボのハードウェアをモデルごとに追跡できます。日付はウェイトが投稿された時期です。

モデルSM数ハードウェアクラス中国への輸出証拠
DeepSeekV2-Lite, MoE-16B108A100 / A800 (Ampere)A800は2023年11月まで合法
LLM 7B/67B, Coder, V2, V3 (2024年12月), V3.2132H100 / H800 / H200 (Hopper)チップは特定されず
V4-Flash (2026年4月)148B200 / B300 (Blackwell)ライセンスが必要; 報告なし
V4-Pro (2026年4月)152GB200 / GB300 (Grace-Blackwell)ライセンスが必要; 報告なし
Moonshot AIKimi K2 (2025年7月)132H100 / H800 / H200 (Hopper)チップは特定されず
Moonlight-16B; Kimi-Linear (2025年10月)132H100 / H800 / H200 (Hopper)チップは特定されず
Kimi K2.5 (2026年1月)132H100 / H800 / H200 (Hopper)チップは特定されず
Kimi K2.7-Code (2026年6月)132, プラス148-SM部分Hopper, プラス第2のソースがB200 / B300と一致未解決
Kimi K3 (2026年7月), K3.1-Pro (2026年11月)152GB200 / GB300 (Grace-Blackwell)ライセンスが必要; 報告なし
MiniMaxText-01 (2025年1月), M1, M2からM2.7 (2026年4月)132H100 / H800 / H200 (Hopper)チップは特定されず
M3 (2026年6月), M3.1-Flash (2026年10月)148B200 / B300 (Blackwell)ライセンスが必要; 報告なし
Ant GroupLing-1T† (2025年10月), Ling-3.0-flash (2026年8月)132H100 / H800 / H200 (Hopper)チップは特定されず
Ling-3.1-flash (2026年10月)152GB200 / GB300 (Grace-Blackwell)ライセンスが必要; 報告なし
その他のラボGLM-5.3 (Zhipu), Qwen3.8 (Alibaba)132H100 / H800 / H200 (Hopper)チップは特定されず
Hy4-preview (Tencent), Step-5-Preview (StepFun)132H100 / H800 / H200 (Hopper)チップは特定されず
MiMo-V2.5-Pro (Xiaomi), Qwen3.5-397B (Alibaba)132H100 / H800 / H200 (Hopper)チップは特定されず

証拠列の読み方。完全一致:トレーニングで更新されなかったウェイトが、相関(r)0.999以上で生成された値と一致。未トレーニング行:初期値がクリップまたは丸められたモデルで、rが低下するが同様。部分的生存:トレーニングされたウェイトが初期値の一部を保持。グリッドスキャンからの数値は、検索から除外されたセルを使用。6兆回のシードとすべてのグリッドを検索しても、偶然では8σに達しませんでした。Blackwellの6つの結果のうち最も低いもの(V4-Flashのトレーニング済みアテンションウェイト)は20σです。

† 1回の分析パスからの結果であり、まだ独立して再実行されていません。

Kimi K2.7-Code。その254個の予約済み行は2つのソースのブレンドです:約80%はK2.5から継承されたHopperレイアウトの値で、約20%は148-SMレイアウトに一致する新しい描画です。ブレンドは各行で同じであり、これはハードウェアの混合ではなく、チェックポイントのマージを示唆しています。K2.7-Codeは6つのBlackwellモデルにはカウントされていません。

公開コード。Ant GroupのcuLAリポジトリには、2026年3月31日にGB300で生成されたベンチマーク結果が含まれています。2025年6月にDeepSeekのエンジニアがGitHubに「SM100 GPUは持っていない」(SM100はBlackwell)と書いています。

付録2:特定されたすべてのモデル完全なモデルカタログ、開示されたハードウェア、および証拠に関する注記。

私たちの読み取りは、開発者が特定のモデルのハードウェアを公表している24のすべてのケースと一致します:元の調査からの21件、およびKimi K2.5(H800)、Step-3.5-Flash(H800)、ZAYA1(AMD MI300X)です。これらのうち11件はステップゼロチェックポイントであり、関連モデルは独立していません。したがって、これは測定された精度率ではなく、一貫性のチェックです。「見つからず」は、モデルのカード、論文、リポジトリの履歴を検索してもハードウェアに関する声明が見つからなかったことを意味します。

モデルシグネチャ開発者公開されているハードウェア一致輸出ステータス(中国)中国
DeepSeek-V4-Flash, -Base148: B200/B300DeepSeek非開示—ライセンスが必要²
DeepSeek-V4-Pro-Base152: GB200/GB300DeepSeek非開示—ライセンスが必要²
Kimi K3; K3.1-Pro (同じシード)152: GB200/GB300Moonshot AI非開示—ライセンスが必要²
Ling-3.1-flash152: GB200/GB300Ant Group見つからず—ライセンスが必要²
MiniMax-M3; M3.1-Flash (同じ初期化)148: B200/B300MiniMax見つからず—ライセンスが必要²
Kimi K2.7-Code132, プラス148部分⁵Moonshot AI非開示—未解決⁴
Kimi K2.5; K2.6 (同じ初期化)132: HopperMoonshot AIH800はい未解決⁴
Kimi-Linear-48B132: HopperMoonshot AI非開示—未解決⁴
Kimi K2-Base132: HopperMoonshot AIH800はい未解決⁴
Moonlight-16B-A3B132: HopperMoonshot AI非開示—未解決⁴
DeepSeek-V3-Base; V3.2 (同じ初期化)132: HopperDeepSeekH800はい未解決⁴
DeepSeek-V2132: HopperDeepSeekH800 (レポート全体)一貫性¹準拠バリアントが存在³
DeepSeek-Coder-1.3B132: HopperDeepSeekA100およびH800 (レポート全体)一貫性¹準拠バリアントが存在³
DeepSeek-LLM-7B, 67B132: HopperDeepSeek元の実行では非開示—準拠バリアントが存在³
DeepSeek-MoE-16B108: A100/A800DeepSeekA100またはH800 (レポート全体)一貫性¹準拠バリアントが存在³
DeepSeek-V2-Lite108: A100/A800DeepSeekH800 (レポート全体)同じ初期化¹準拠バリアントが存在³
Ling-3.0-flash132: HopperAnt Group非開示—未解決⁴
Ling-1T; Ling-2.6-1T (同じ初期化)†132: HopperAnt GroupHopper (レポート全体)一貫性¹未解決⁴
GLM-5, 5.1, 5.2, 5.3 (1つの初期化)132: HopperZhipu AI非開示—未解決⁴
GLM-5.3-Flash132: HopperZhipu AI非開示—未解決⁴
GLM-4.5-Base; GLM-4.7 (同じ初期化)†132: HopperZhipu AI非開示—未解決⁴
Qwen3.8-2.4T-A95B132: HopperAlibaba非開示—未解決⁴
Qwen3.5-397B-A17B132: HopperAlibaba非開示—未解決⁴
Hy3-preview; Hy3 (同じ初期化)132: HopperTencent非開示—未解決⁴
Hy4-preview132: HopperTencent非開示—未解決⁴
MiMo-V2-Flash; MiMo-V2.5-Pro132: HopperXiaomi非開示—未解決⁴
Step-5-Preview132: HopperStepFun非開示—未解決⁴
Step-3.5-Flash; Step-3.7-Flash (同じ初期化)132: HopperStepFunH800 (Step-3.5-Flash)はい未解決⁴
MiniMax-M2, M2.1, M2.5, M2.7 (1つの初期化)132: HopperMiniMax非開示—未解決⁴
MiniMax-Text-01, VL-01; M1 (1つの初期化)132: HopperMiniMaxH800 (レポート全体)一貫性¹未解決⁴
Seed-OSS-36B-Base108: A100/A800ByteDance非開示—準拠バリアントが存在³
Yi-34B108: A100/A80001.AI非開示—準拠バリアントが存在³
米国
Llama 3.1 8B, 70B, 405B132: HopperMetaH100はいn/a
Nemotron-3-Ultra-550B152: GB200/GB300NVIDIAGB200 (1段階)一貫性n/a
Nemotron-4-340B-Base132: HopperNVIDIAH100 SXM5はいn/a
ZAYA1-74B-preview304 CU: AMD MI300XZyphraAMD (MI300X、ブログより)はいn/a
OLMo-2 32B, Olmo-3 32B132: HopperAI2H100はいn/a
OLMo-7B108: A100AI2A100はいn/a
OLMo-7B-Twin-2T110 CU: AMD MI250XAI2AMD MI250Xはいn/a
OLMo-7B-0424, OLMo-1B-0724132: HopperAI2非開示—n/a
Pythia 70M–12B (8モデル)108: A100EleutherAIA100はい (すべて8件)n/a
GPT-NeoX-20B108: A100EleutherAIA100はいn/a
欧州
Apertus-70B132: HopperSwiss AIGH200 (Hopper, 132 SMs)はいn/a
Mixtral-8x7B132: HopperMistral AI非開示—n/a
BLOOM-176B (部分シグネチャ)108: A100BigScienceA100はいn/a

¹ レポート全体での開示。DeepSeek-V2とV2-Liteは1つの「H800クラスター」文を共有し、MoE-16Bは「A100またはH800」、Coderは「A100とH800」と述べています。MiniMaxのMiniMax-01論文はH800クラスターを説明しており、Ant GroupのLing 2.0レポートはトレーニングが「Hopper GPU」で実行されたと述べています。これらは私たちの読み取りと一致しますが、独立したテストではありません。V2-LiteはMoE-16Bの初期化を再利用しています:それらの保存された行はバイト単位で同一です。

² ライセンスが必要。B200、B300、GB200、GB300は、出荷前から中国への輸出に米国ライセンスが必要であり、報告されたものはありません。AMD MI300Xも制御されています。

³ 準拠バリアントが存在。A100/H100クラスは2022年10月から制御されていましたが、同じSM数を持つA800とH800は2023年10月まで輸出可能でした。

⁴ 未解決のHopperハードウェア。これらのモデルは2024年12月以降に最初に公開され、H800、H100 SXM、またはH200ハードウェアと互換性のある132-SM指紋を示しています。DeepSeekとMoonshotは一部のモデルでH800の使用を報告していますが、指紋はこれらのチップを区別できません。モデルのリリース日は、ハードウェアがいつ、どこで取得されたかを確立するものではなく、この読み取りだけでは輸出管理法の遵守を確立するものではありません。

⁵ 148部分。結果テーブルの下のKimi K2.7-Codeに関する注記を参照してください。

† 1回の分析パスからの結果であり、まだ独立して再実行されていません。この概要に追加された他のすべての行で、最初に名前が挙げられたモデルは独立して再実行されました。初期化を共有するモデルは再実行されませんでした。

これらのフラグは、2022年10月と2023年10月の米国輸出規則の下でのハードウェアクラスを説明しています。これらは、法律が違反されたという発見ではありません。

GPUシグネチャが見つからず。空白はモデルのハードウェアについて何も述べていません。DeepSeek-V4.1-Flash(徹底的な検索後)、Qwen3.5-122B、Qwen3.8-Flash-Next、Qwen3-0.6Bおよび1.7B、gpt-oss-120b、Grok-1からはシグネチャを復元できませんでした。Qwen3-235B、Qwen3-32B、Qwen3.5-9BはCPUで初期化されたため、GPUレイアウトを残しません。BaiduのERNIE-5.5はPaddlePaddleを使用しており、そのジェネレーターはチップレイアウトを持ちません(シード2760を復元しました)。ERNIE-4.5は結果を出しませんでした。MeituanのLongCat-2.0は結果を出しませんでした。モデルカードには、トレーニングが「AI ASICスーパーポッド」で実行されたと記載されており、削除されたファインチューニング構成にはdevice_archを910、NPUおよびHCCLオプションに設定するものが含まれており、これはHuawei Ascend 910と読み取れます。Intern-S2はAlibabaのQwen3.5-397B上に構築されており、その初期化を引き継いでいます。DBRXとLlama-4-Scoutはダウンロードできませんでした。

利用可能性。再現スクリプト、行フィクスチャ、テスト出力は、レビュー担当者がリクエストに応じて利用できます。

連絡先: Will DePue, will@unemploymentlabs.com。

情報源

このレポートの引用方法

推奨引用:

Will DePue, “Top Chinese Frontier AI Models Carry the Fingerprint of Export-Controlled NVIDIA Blackwell GPUs,” Unemployment Labs, November 12, 2026, https://unemploymentlabs.com/checkpoint-forensics.

BibTeX:

@techreport{depue2026blackwell,
  author      = {DePue, Will},
  title       = {{Top Chinese Frontier AI Models Carry the Fingerprint of Export-Controlled NVIDIA Blackwell GPUs}},
  institution = {Unemployment Labs},
  year        = {2026},
  month       = nov,
  url         = {https://unemploymentlabs.com/checkpoint-forensics}
}

ニュース報道では、発見をWill DePueに帰属させ、このページにリンクしてください。