Des traces de puces Blackwell interdites à l'export repérées dans les poids de six modèles d'IA chinois
Les États-Unis ont interdit l'export des puces Blackwell de Nvidia vers la Chine, mais vérifier sur quel matériel les modèles y sont entraînés reste difficile. Un ancien employé d'OpenAI affirme qu'une partie de l'empreinte du GPU subsiste dans les poids : les valeurs initiales dépendent de la graine aléatoire et de la puce utilisée. En testant environ 6 000 milliards de combinaisons, il dit avoir trouvé des traces de Blackwell dans six modèles de quatre laboratoires chinois. Pour l'instant, il s'agit de l'affirmation d'un seul auteur, mais si elle est confirmée, la méthode permettrait de contrôler le respect des sanctions à partir des poids ouverts.
Traité par IA depuis TG: @data_secrets (Data Secrets) ; édité par Hamidun News
Blackwell est la dernière génération d'accélérateurs Nvidia, et les États-Unis ont interdit l'export de ces puces vers la Chine. Le problème est celui du contrôle : les achats peuvent être dissimulés, le matériel peut être loué via des pays tiers, et un modèle fini ressemble à lui-même quel que soit le matériel utilisé pour l'entraîner. Aujourd'hui, un chercheur indépendant, ancien employé d'OpenAI, affirme avoir trouvé un moyen de identifier la puce d'entraînement directement à partir des poids ouverts. Selon lui, des traces de Blackwell figurent dans six modèles de quatre laboratoires chinois. Il ne s'agit pour l'instant que de l'affirmation d'un seul auteur, mais si elle se confirme, les conséquences pour les sanctions seraient importantes.
Comment la puce laisse son empreinte dans les poids
Avant l'entraînement, les poids du modèle sont remplis de nombres aléatoires. Ces valeurs initiales dépendent de la graine (le nombre qui fixe l'aléatoire) et de la puce précise sur laquelle elles ont été générées : différentes architectures de GPU calculent les nombres à virgule flottante légèrement différemment. On considère en général qu'au fil des semaines d'entraînement, ce motif initial disparaît complètement. L'auteur de l'analyse soutient l'inverse : une partie du motif survit à l'entraînement et subsiste dans les poids finaux.
L'image la plus parlante est celle du défaut de fabrication d'une presse d'imprimerie. Chaque tirage paraît normal, mais si l'on connaît la façon dont cette machine précise « se trompe », on peut retrouver la machine à partir du tirage. Le chercheur a testé environ six mille milliards de combinaisons de puces et de graines, en cherchant celle qui correspond le mieux aux poids des modèles publiés.
Ce qu'il a trouvé
Selon ses résultats, des correspondances apparaissent pour six modèles :
- DeepSeek-V4-Flash et MiniMax-M3 ont été entraînés sur des B200 ou des B300 ;
- DeepSeek-V4-Pro, Kimi K3, Kimi K3.1-Pro et Ling-3.1-flash l'ont été sur des GB200 ou des GB300 ;
- les modèles plus anciens de ces mêmes laboratoires correspondent à un entraînement sur Hopper, c'est-à-dire sur des puces de la génération précédente.
Les laboratoires chinois passeraient donc de l'empreinte Hopper à l'empreinte Blackwell, or ces puces sont soumises à interdiction d'export vers la RPC.
L'auteur a ensuite estimé l'ampleur du phénomène. D'après ses calculs, Kimi K3 et DeepSeek-V4-Pro ont nécessité entre deux et trois mille GPU Blackwell chacun. Un cluster de cette taille coûte environ 200 millions de dollars. On est donc face à une infrastructure de production à part entière, et non à un petit lot destiné à des expériences. L'auteur ajoute que des chercheurs d'OpenAI et d'Anthropic ont vérifié ses résultats. Le texte source ne contient aucune confirmation publique de ces entreprises. Le détail de la méthode est publié sur le site unemploymentlabs.com.
Ce que cela implique et les points faibles
Si la méthode fonctionne, les régulateurs disposent d'un outil qui ne nécessite aucun accès à un centre de données : il suffit des poids ouverts que les laboratoires publient eux-mêmes. Cela pourrait peser dans le débat sur les sanctions. La pratique de publication des poids pourrait aussi évoluer, certaines équipes voudront peut-être bruiter ou réinitialiser leurs modèles.
Mais le récit appelle des réserves :
- La source est unique : la publication de l'auteur et sa reprise sur Telegram. L'article ne mentionne aucune vérification publique indépendante.
- La correspondance avec Blackwell ne prouve pas à elle seule une infraction. Ce qui compte est l'endroit où les puces se trouvaient physiquement : en Chine, chez un fournisseur cloud à l'étranger, ou ailleurs. Cela détermine les conséquences juridiques.
- La méthode repose sur l'hypothèse que le motif initial survit à tout l'entraînement. Il faudrait la tester sur des modèles dont les puces sont connues à l'avance et mesurer le taux de faux positifs.
- Les chiffres de 2 à 3 000 GPU et de 200 millions de dollars sont un calcul de l'auteur, et non une déclaration des laboratoires.
Ce que doivent faire développeurs et chefs de produit
D'abord, les poids ouverts en disent plus que ce que leurs auteurs supposent : ils peuvent révéler des informations sur le matériel et, éventuellement, sur l'origine d'un modèle. Ensuite, si vous bâtissez un produit sur des modèles ouverts chinois, surveillez la réaction des régulateurs : le risque de sanctions visant les laboratoires pourrait aussi concerner ceux qui utilisent ces modèles. Enfin, attendez la confirmation ou l'infirmation des grands laboratoires et de groupes de recherche indépendants. D'ici là, mieux vaut traiter cette affaire comme une affirmation retentissante, mais non tranchée.
- 21 nov. 2026Val Town a monté le site d'une conférence en 3 minutes, v0 en a mis 15 : test de six services d'IA
- 21 nov. 2026Les poids de Kimi K3 et DeepSeek V4 portent des traces de puces Nvidia Blackwell interdites à l'export
- 21 nov. 2026AcpGram permet de piloter Claude Code, Codex et Gemini CLI directement depuis Telegram
- 21 nov. 2026Un Mac mini 16 Go à la place d'une API payante : Qwen analyse une photo de repas en 20 à 40 secondes
Questions clés sur cet article
Comment la puce laisse son empreinte dans les poids?
Avant l'entraînement, les poids du modèle sont remplis de nombres aléatoires. Ces valeurs initiales dépendent de la graine (le nombre qui fixe l'aléatoire) et de la puce précise sur laquelle elles ont été générées : différentes architectures de GPU calculent les nombres à virgule flottante légèrement différemment. On considère en général qu'au fil des semaines d'entraînement, ce motif initial disparaît complètement.
Que sait-on sur Ce qu'il a trouvé ?
Selon ses résultats, des correspondances apparaissent pour six modèles : DeepSeek-V4-Flash et MiniMax-M3 ont été entraînés sur des B200 ou des B300 ; DeepSeek-V4-Pro, Kimi K3, Kimi K3.1-Pro et Ling-3.1-flash l'ont été sur des GB200 ou des GB300 ; les modèles plus anciens de ces mêmes laboratoires correspondent à un entraînement sur Hopper, c'est-à-dire sur des puces de la génération précédente.
Que sait-on sur Ce que cela implique et les points faibles ?
Si la méthode fonctionne, les régulateurs disposent d'un outil qui ne nécessite aucun accès à un centre de données : il suffit des poids ouverts que les laboratoires publient eux-mêmes. Cela pourrait peser dans le débat sur les sanctions. La pratique de publication des poids pourrait aussi évoluer, certaines équipes voudront peut-être bruiter ou réinitialiser leurs modèles. Mais le récit appelle des réserves : La source est unique : la publication de l'auteur et sa reprise sur Telegram.
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.
L'essentiel de l'IA — une fois par semaine
Sept actus qui ont vraiment compté, choisies à la main. Sans bruit ni communiqués.
C'est fait ! Vérifiez votre boîte mail pour la confirmation.