Intensif Gratuit 21–22/11Intensif gratuit de 2 jours en Vibecoding (21–22 nov, 16h00 MSK) · Cohorte 3 le 23/11S'inscrire gratuitement →Cohorte 3 (23/11)
InfrastructureAnalyse · Sur le radarThe Decoder→ original

Un ancien chercheur d'OpenAI retrouve la signature de puces Blackwell interdites dans 6 modèles chinois

Un ancien chercheur d'OpenAI, Will Depue, affirme avoir trouvé dans 6 modèles chinois la trace de puces Nvidia Blackwell, dont les États-Unis interdisent la vente à la Chine. Avant l'entraînement, PyTorch remplit les poids de nombres aléatoires, et le motif dépend du nombre de cœurs du GPU : 132 pour les anciennes Hopper, 148 ou 152 pour les Blackwell. Cette méthode prouve un accès au matériel, mais pas une contrebande : la puissance de calcul peut être louée à l'étranger.

Traité par IA depuis The Decoder ; édité par Hamidun News
Un ancien chercheur d'OpenAI retrouve la signature de puces Blackwell interdites dans 6 modèles chinois
Source : The Decoder. Collage: Hamidun News.
Écouter l'article
Fiche synthèse et chiffres clés
ParamètreDonnées
Source primaireThe Decoder ↗
Rédacteur en chef
Estimationcinq entraînements ont mobilisé environ 12 000 GPU Blackwell
Chiffre clé #2Kimi K3 a été entraîné pendant environ 70 jours sur 4 500 puces Blackwell
Chiffre clé #3La méthode a correctement identifié le matériel pour les 24 modèles de contrôle

Les États-Unis ont interdit la vente à la Chine des accélérateurs Nvidia les plus puissants, les puces de la génération Blackwell. Responsables et journalistes soupçonnaient depuis longtemps que les laboratoires chinois s'en étaient tout de même procuré, mais aucune preuve publique n'existait. Il pourrait désormais en exister une.

Un ancien chercheur d'OpenAI, Will Depue, affirme avoir trouvé l'« empreinte » de Blackwell dans six modèles chinois sortis depuis avril 2026. Cette empreinte est un motif de nombres aléatoires contenu dans les poids du modèle. Elle dépend du nombre de cœurs de calcul du GPU : la génération précédente, Hopper (H100 et H800), en compte 132, tandis que Blackwell en compte 148 ou 152.

Si les poids affichent le motif « 148 » ou « 152 », cela signifie que le modèle a été initialisé sur des Blackwell.

Depue a participé à la création de Sora, Sora 2, GPT-4o, o3 et GPT-5, avant de fonder le groupe de recherche à but non lucratif Unemployment Labs. Selon lui, sa méthode a déjà été vérifiée indépendamment par des chercheurs seniors d'OpenAI et d'Anthropic. Ces confirmations ne reposent pour l'instant que sur sa parole, mais il a publié le code de vérification sur GitHub, afin que d'autres puissent reproduire le résultat.

Comment identifier la carte graphique à partir des poids d'un modèle

Un réseau de neurones, ce sont des milliards de nombres, les poids. Avant l'entraînement, PyTorch les remplit de valeurs aléatoires générées à partir d'un nombre de départ, le seed. Pour aller vite, la carte graphique répartit ce travail entre ses cœurs. Imaginez plusieurs équipes qui trient un immense paquet de cartes : si elles sont 132, le paquet se range selon un ordre donné, et si elles sont 148 ou 152, selon un autre. Les puces n'ont pas le même nombre de cœurs, donc le motif obtenu diffère.

Ensuite, l'entraînement modifie les poids des millions de fois, mais certaines cellules, par exemple celles des mots et symboles rares, changent à peine et conservent leurs valeurs initiales. Même dans les parties fortement entraînées du modèle, subsiste un faible écho statistique du remplissage de départ. Depue a reconstitué ce motif à rebours et a reproduit fidèlement les résultats pour DeepSeek-V4-Flash et Kimi K3, sur de vraies puces Blackwell.

Quels modèles sont concernés

Selon ses données, six modèles chinois portent la signature Blackwell :

  • DeepSeek-V4-Flash et MiniMax-M3 renvoient à des B200 ou B300 (148 cœurs) ;
  • DeepSeek-V4-Pro, Kimi K3, Kimi K3.1-Pro et Ling-3.1-flash d'Ant Group renvoient à 152 cœurs, soit aux baies GB200 ou GB300 haut de gamme refroidies par liquide.

Les modèles plus anciens, comme DeepSeek-V3 et Kimi K2.5, montrent des traces de l'ancienne Hopper. Les modèles d'Alibaba (Qwen3.8), de Zhipu, de Tencent, de Xiaomi et de StepFun restent pour l'instant sur Hopper, tandis que LongCat-2.0 de Meituan renvoie à des puces Huawei.

Pour valider sa méthode, Depue a testé 24 modèles de contrôle dont le matériel est connu, dont Llama 3.1 de Meta, entraîné sur H100. Selon lui, les 24 ont été identifiés correctement, et une coïncidence aléatoire est statistiquement exclue. Il a écarté la seule alternative, l'accélérateur AMD MI300X, lui aussi soumis à restrictions et pouvant être bridé pour produire un motif identique, pour DeepSeek-V4-Flash, en raison de petites différences d'arrondi.

L'ampleur est impressionnante. Pour les cinq entraînements analysés, le rapport estime à environ 12 000 GPU Blackwell la puissance nécessaire, soit l'équivalent d'environ 30 000 H100. Kimi K3 a été entraîné pendant environ 70 jours sur 4 500 puces, et DeepSeek-V4-Pro sur environ 3 000. À environ 70 000 dollars la puce, un tel cluster coûte entre 200 et 300 millions de dollars, et les cinq ensemble plus d'un demi-milliard de dollars. Cela rejoint l'estimation de Dylan Patel, de SemiAnalysis : lors d'un entretien avec Sequoia Capital, il a déclaré que l'architecture de DeepSeek-V3 avait été conçue pour Hopper, tandis que DeepSeek-V4 a été pensée pour Blackwell et les puces Ascend de Huawei.

Ce que l'empreinte ne prouve pas

Les réserves sont importantes. La méthode indique seulement quel matériel a initialisé les poids. L'entraînement lui-même s'est très probablement déroulé sur ces mêmes systèmes, mais il s'agit d'une déduction, non d'une mesure directe. Les données ne disent pas où se trouvent physiquement les GPU, ni à qui ils appartiennent. Les entreprises chinoises peuvent louer de la puissance dans des centres de données situés hors de Chine, ce qui ne viole pas nécessairement les règles d'exportation. Le rapport ne fait donc état que d'un accès au matériel haut de gamme, et non d'une contrebande ou d'une violation de la loi américaine.

Pour le secteur, la conclusion est double. D'une part, les responsables politiques devront décider quoi faire de la location dans le cloud : les restrictions sur la vente de puces ne la couvrent pas. D'autre part, l'audit des modèles dispose d'un nouvel outil. Les poids ouverts révèlent non seulement l'architecture, mais aussi les traces du matériel utilisé pour les entraîner. Si la méthode résiste à une vérification indépendante, elle permettra de confronter les déclarations des laboratoires sur leurs ressources de calcul à la réalité.

Dossier

Questions clés sur cet article

Comment identifier la carte graphique à partir des poids d'un modèle?

Un réseau de neurones, ce sont des milliards de nombres, les poids. Avant l'entraînement, PyTorch les remplit de valeurs aléatoires générées à partir d'un nombre de départ, le seed. Pour aller vite, la carte graphique répartit ce travail entre ses cœurs. Imaginez plusieurs équipes qui trient un immense paquet de cartes : si elles sont 132, le paquet se range selon un ordre donné, et si elles sont 148 ou 152, selon un autre. Les puces n'ont pas le même nombre de cœurs, donc le motif obtenu diffère.

Que sait-on sur Quels modèles sont concernés ?

Selon ses données, six modèles chinois portent la signature Blackwell : DeepSeek-V4-Flash et MiniMax-M3 renvoient à des B200 ou B300 (148 cœurs) ; DeepSeek-V4-Pro, Kimi K3, Kimi K3.1-Pro et Ling-3.1-flash d'Ant Group renvoient à 152 cœurs, soit aux baies GB200 ou GB300 haut de gamme refroidies par liquide. Les modèles plus anciens, comme DeepSeek-V3 et Kimi K2.5, montrent des traces de l'ancienne Hopper.

Que sait-on sur Ce que l'empreinte ne prouve pas ?

Les réserves sont importantes. La méthode indique seulement quel matériel a initialisé les poids. L'entraînement lui-même s'est très probablement déroulé sur ces mêmes systèmes, mais il s'agit d'une déduction, non d'une mesure directe. Les données ne disent pas où se trouvent physiquement les GPU, ni à qui ils appartiennent. Les entreprises chinoises peuvent louer de la puissance dans des centres de données situés hors de Chine, ce qui ne viole pas nécessairement les règles d'exportation.

ZK
Zhemal Khamidun — CPO d'Alpina Digital, product manager d'AlpinaGPT. Conçoit des produits IA depuis 2019. Hamidun News est un projet personnel devenu un agrégateur en production avec plus de 6 000 lecteurs.
✦ Unified AI Workspace · Nomad

Test Frontier LLMs & Autonomous Agents in One Workspace

Run Claude Opus 5.5, GPT-6, Gemini 3.1, and DeepSeek side-by-side in Nomad AI (nomadnet.ai) — unified model routing, deep research, and multimodal workflows under one subscription.

Try Nomad AI →Launch Nomad Agent
Qu'en pensez-vous ?
Chargement des commentaires…