Intensivo Grátis 21–22/11Intensivo gratuito de 2 dias em Vibecoding (21–22/11 às 16:00 MSK) · Turma 3 começa 23/11Inscrever-se grátis →Turma 3 (23/11)
InfraestruturaAnálise · No radarThe Decoder→ original

Ex-pesquisador da OpenAI encontra rastro de chips Blackwell proibidos em 6 modelos chineses

O ex-pesquisador da OpenAI Will Depue encontrou em 6 modelos chineses vestígios dos chips Nvidia Blackwell, cuja venda à China os EUA não permitem. Antes do treinamento, o PyTorch preenche os pesos com números aleatórios, e o padrão depende do número de núcleos da placa de vídeo: os Hopper antigos têm 132, enquanto os Blackwell têm 148 ou 152. Isso comprova acesso ao hardware, mas não contrabando, já que é possível alugar capacidade computacional no exterior.

Processado por IA de The Decoder; editado por Hamidun News
Ex-pesquisador da OpenAI encontra rastro de chips Blackwell proibidos em 6 modelos chineses
Fonte: The Decoder. Colagem: Hamidun News.
Ouvir artigo
Ficha técnica e números-chave
ParâmetroDados
Fonte originalThe Decoder ↗
Editor-chefe
Estimativacinco treinamentos consumiram cerca de 12 000 GPUs Blackwell
Dado-chave #2O Kimi K3 foi treinado por cerca de 70 dias em 4 500 chips Blackwell
Dado-chave #3O método identificou corretamente o hardware em todos os 24 modelos de controle

Os EUA proibiram a venda à China dos aceleradores mais potentes da Nvidia, os chips da geração Blackwell. Autoridades e jornalistas há muito suspeitam que laboratórios chineses conseguiram esses chips de qualquer forma, mas não havia provas públicas. Agora, elas podem ter aparecido.

O ex-pesquisador da OpenAI Will Depue afirma ter encontrado a "impressão digital" do Blackwell em seis modelos chineses lançados desde abril de 2026. A impressão digital é um padrão de números aleatórios dentro dos pesos do modelo. Ele depende do número de núcleos de computação da placa de vídeo: a geração anterior, Hopper (H100 e H800), tem 132, enquanto a Blackwell tem 148 ou 152.

Se os pesos apresentam o padrão "148" ou "152", isso significa que o modelo foi inicializado em uma Blackwell.

Depue trabalhou nos projetos Sora, Sora 2, GPT-4o, o3 e GPT-5 e depois fundou o grupo de pesquisa sem fins lucrativos Unemployment Labs. Segundo ele, o método já foi verificado de forma independente por pesquisadores seniores da OpenAI e da Anthropic. Essas confirmações, por enquanto, são conhecidas apenas pelo relato dele, mas ele publicou o código de verificação no GitHub, para que outros possam reproduzir o resultado.

Como descobrir a placa de vídeo pelos pesos do modelo

Uma rede neural é formada por bilhões de números, os pesos. Antes do treinamento, o PyTorch os preenche com valores aleatórios gerados a partir de um número inicial, a seed. Para fazer isso rapidamente, a placa de vídeo divide o trabalho entre seus núcleos. Imagine várias equipes organizando um grande baralho: se há 132 equipes, o baralho fica numa ordem; se há 148 ou 152, a ordem é outra. Como cada chip tem um número diferente de núcleos, o padrão resultante também muda.

Depois, o treinamento altera os pesos milhões de vezes, mas parte das células, como as usadas para palavras e símbolos raros, quase não é modificada e mantém os valores originais. Mesmo nas partes muito treinadas do modelo, permanece um eco estatístico fraco do preenchimento inicial. Depue reconstruiu esse padrão no sentido inverso e reproduziu com precisão os resultados para o DeepSeek-V4-Flash e o Kimi K3 em chips Blackwell reais.

Quais modelos entraram na mira

Segundo ele, seis modelos chineses trazem a assinatura da Blackwell:

  • DeepSeek-V4-Flash e MiniMax-M3 apontam para B200 ou B300 (148 núcleos);
  • DeepSeek-V4-Pro, Kimi K3, Kimi K3.1-Pro e Ling-3.1-flash, da Ant Group, apontam para 152 núcleos, ou seja, para os racks topo de linha GB200 ou GB300 com refrigeração líquida.

Modelos anteriores, como DeepSeek-V3 e Kimi K2.5, mostram vestígios do Hopper antigo. Os modelos da Alibaba (Qwen3.8), da Zhipu, da Tencent, da Xiaomi e da StepFun também continuam no Hopper, e o LongCat-2.0, da Meituan, aponta para chips da Huawei.

Para testar o método, Depue analisou 24 modelos de controle com hardware conhecido, incluindo o Llama 3.1, da Meta, treinado em H100. Segundo ele, os 24 foram identificados corretamente, e uma coincidência aleatória está descartada estatisticamente. Ele descartou a única alternativa, o acelerador AMD MI300X, que também está sob restrições e poderia ser artificialmente "limitado" a um padrão igual, no caso do DeepSeek-V4-Flash, com base em pequenas diferenças de arredondamento.

A escala impressiona. Os cinco treinamentos analisados exigiram, segundo a estimativa do relatório, cerca de 12 000 GPUs Blackwell, o equivalente em poder de computação a aproximadamente 30 000 H100. O Kimi K3 foi treinado por cerca de 70 dias em 4 500 chips, e o DeepSeek-V4-Pro, por cerca de 3 000.

Com preço de aproximadamente US$ 70 000 por chip, um cluster desses custa US$ 200 a 300 milhões, e os cinco juntos somam mais de meio bilhão de dólares. Isso é coerente com a avaliação de Dylan Patel, da SemiAnalysis: em entrevista à Sequoia Capital, ele afirmou que a arquitetura do DeepSeek-V3 foi otimizada para o Hopper, enquanto o DeepSeek-V4 já foi construído para a Blackwell e para os chips Ascend da Huawei.

O que a impressão digital não prova

As ressalvas são importantes. O método mostra apenas qual hardware inicializou os pesos. O treinamento em si provavelmente ocorreu nesses mesmos sistemas, mas isso é uma conclusão, não uma medição direta. Os dados não informam onde fisicamente estão as GPUs nem a quem elas pertencem. Empresas chinesas podem alugar capacidade em data centers fora da China, o que não necessariamente viola as regras de exportação. Por isso, o relatório fala apenas de acesso a hardware de ponta, e não de contrabando ou de violação da lei dos EUA.

Para o setor, a conclusão tem dois lados. Primeiro, os políticos terão de decidir o que fazer com o aluguel de nuvem, já que as restrições à venda de chips não o cobrem. Segundo, a auditoria de modelos ganhou uma nova ferramenta. Pesos abertos revelam não só a arquitetura, mas também vestígios de onde foram treinados. Se o método resistir à verificação independente, ele poderá ser usado para confrontar as declarações dos laboratórios sobre recursos computacionais com a realidade.

História

Perguntas frequentes sobre a notícia

Como descobrir a placa de vídeo pelos pesos do modelo?

Uma rede neural é formada por bilhões de números, os pesos. Antes do treinamento, o PyTorch os preenche com valores aleatórios gerados a partir de um número inicial, a seed. Para fazer isso rapidamente, a placa de vídeo divide o trabalho entre seus núcleos. Imagine várias equipes organizando um grande baralho: se há 132 equipes, o baralho fica numa ordem; se há 148 ou 152, a ordem é outra. Como cada chip tem um número diferente de núcleos, o padrão resultante também muda.

O que se sabe sobre Quais modelos entraram na mira?

Segundo ele, seis modelos chineses trazem a assinatura da Blackwell: DeepSeek-V4-Flash e MiniMax-M3 apontam para B200 ou B300 (148 núcleos); DeepSeek-V4-Pro, Kimi K3, Kimi K3.1-Pro e Ling-3.1-flash, da Ant Group, apontam para 152 núcleos, ou seja, para os racks topo de linha GB200 ou GB300 com refrigeração líquida. Modelos anteriores, como DeepSeek-V3 e Kimi K2.5, mostram vestígios do Hopper antigo.

O que a impressão digital não prova?

As ressalvas são importantes. O método mostra apenas qual hardware inicializou os pesos. O treinamento em si provavelmente ocorreu nesses mesmos sistemas, mas isso é uma conclusão, não uma medição direta. Os dados não informam onde fisicamente estão as GPUs nem a quem elas pertencem. Empresas chinesas podem alugar capacidade em data centers fora da China, o que não necessariamente viola as regras de exportação.

ZK
Zhemal Khamidun — CPO da Alpina Digital, gerente de produto do AlpinaGPT. Cria produtos de IA desde 2019. O Hamidun News é um projeto pessoal que virou um agregador em produção com mais de 6.000 leitores.
✦ 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
O que você acha?
Carregando comentários…