Nos pesos de seis modelos de IA chineses encontraram rastros de chips Blackwell proibidos para exportação
Os EUA proibiram a exportação de chips Blackwell da Nvidia para a China, mas verificar em que hardware os modelos são treinados é difícil. Um ex-funcionário da OpenAI afirma que parte da assinatura da GPU permanece nos pesos: os valores iniciais dependem da semente e do chip. Ao testar cerca de 6 trilhões de combinações, ele encontrou rastros de Blackwell em seis modelos de quatro laboratórios chineses. Por enquanto, a afirmação vem de um único autor, mas, se for confirmada, o método permitirá verificar sanções a partir dos pesos abertos.
Processado por IA de TG: @data_secrets (Data Secrets); editado por Hamidun News
Blackwell é a geração mais recente de aceleradores da Nvidia, e os EUA proibiram o fornecimento desses chips para a China. O problema está no controle: as compras podem ser escondidas, o equipamento pode ser alugado por meio de terceiros países, e um modelo pronto parece igual, independentemente do hardware em que foi treinado. Agora, um pesquisador independente, ex-funcionário da OpenAI, afirma ter encontrado uma forma de identificar o chip de treinamento diretamente pelos pesos abertos. Segundo ele, há rastros de Blackwell em seis modelos de quatro laboratórios chineses. Por enquanto, trata-se da afirmação de um único autor, mas, se for confirmada, as consequências para as sanções serão sérias.
Como o chip deixa uma impressão digital nos pesos
Antes do treinamento, os pesos do modelo são preenchidos com números aleatórios. Esses valores iniciais dependem da semente (o número que define a aleatoriedade) e do chip específico em que foram gerados: arquiteturas diferentes de GPU calculam números de ponto flutuante de maneiras ligeiramente distintas. Costuma-se considerar que, ao longo de semanas de treinamento, esse padrão inicial é totalmente apagado. O autor da análise sustenta o contrário: parte do padrão sobrevive ao treinamento e permanece nos pesos finais.
A comparação possível é com um defeito de fábrica em uma impressora. Cada impressão parece normal, mas, se você conhece como aquela máquina específica "erra", pode identificá-la pela tiragem. O pesquisador testou cerca de seis trilhões de combinações de chips e sementes e procurou a que melhor coincide com os pesos dos modelos publicados.
O que ele encontrou
Segundo os resultados, há correspondências em seis modelos:
- DeepSeek-V4-Flash e MiniMax-M3 foram treinados em B200 ou B300;
- DeepSeek-V4-Pro, Kimi K3, Kimi K3.1-Pro e Ling-3.1-flash foram treinados em GB200 ou GB300;
- modelos anteriores dos mesmos laboratórios aparecem como treinados em Hopper, ou seja, em chips da geração anterior.
Isso significa que a assinatura desses laboratórios muda de Hopper para Blackwell, justamente os chips proibidos de exportação para a RPC.
Depois, o autor estimou a escala. Pelos seus cálculos, o Kimi K3 e o DeepSeek-V4-Pro usaram entre duas e três mil GPUs Blackwell em cada modelo. Um cluster desse tamanho custa cerca de 200 milhões de dólares. Trata-se, portanto, de uma infraestrutura de produção completa, e não de um pequeno lote para experimentos. O autor acrescenta que os resultados foram verificados por pesquisadores da OpenAI e da Anthropic. O texto de origem não traz confirmações públicas das próprias empresas. Os detalhes foram publicados pelo autor no site unemploymentlabs.com.
O que isso significa e onde estão os pontos fracos
Se o método funcionar, os reguladores ganham uma ferramenta que não exige acesso a data centers. Basta ter os pesos abertos que os próprios laboratórios publicam. Isso pode se tornar um argumento importante no debate sobre sanções. A prática de publicar pesos também pode mudar: parte das equipes deve passar a adicionar ruído ou reinicializar os modelos.
Mas a história tem ressalvas:
- A fonte é única: a publicação do autor e a repercussão no Telegram. O material não traz verificação pública independente.
- A correspondência com Blackwell, por si só, não comprova violação da lei. O que importa é onde os chips estavam fisicamente: na China, em um provedor de nuvem no exterior ou em outro lugar. Disso dependem as consequências jurídicas.
- O método depende da premissa de que o padrão inicial sobrevive a todo o treinamento. É preciso testá-lo em modelos cujos chips são conhecidos de antemão e medir a taxa de falsos positivos.
- Os números de 2–3 mil GPUs e 200 milhões de dólares são estimativas do autor, e não declarações dos laboratórios.
O que fazer, se você é desenvolvedor ou gerente de produto
Primeiro, pesos abertos revelam mais do que seus autores imaginam: é possível inferir informações sobre o hardware e, talvez, sobre a origem do modelo. Segundo, se você desenvolve produtos com modelos abertos chineses, acompanhe a reação dos reguladores, porque o risco de sanções contra os laboratórios pode alcançar quem usa esses modelos. Terceiro, aguarde a confirmação ou a refutação por grandes laboratórios e grupos independentes. Até lá, vale tratar a história como uma afirmação barulhenta, mas ainda não comprovada.
- 21 de nov. de 2026Apple prepara um agente de IA e dificulta o acesso de terceiros: a permissão agora tem 14 etapas, e não 4
- 21 de nov. de 2026Desenvolvedor dispensou o Pinecone: busca em 72 450 trechos de código em 50 ms
- 21 de nov. de 2026Gemini 4 Neon reduziu o binário do TS Rust de 47,44 MB para 7,97 MB em menos de 10 horas
- 21 de nov. de 2026As vagas de FDE cresceram 4,6 vezes em um ano: o que faz o engenheiro no cliente
Perguntas frequentes sobre a notícia
Como o chip deixa uma impressão digital nos pesos?
Antes do treinamento, os pesos do modelo são preenchidos com números aleatórios. Esses valores iniciais dependem da semente (o número que define a aleatoriedade) e do chip específico em que foram gerados: arquiteturas diferentes de GPU calculam números de ponto flutuante de maneiras ligeiramente distintas. Costuma-se considerar que, ao longo de semanas de treinamento, esse padrão inicial é totalmente apagado.
O que ele encontrou?
Segundo os resultados, há correspondências em seis modelos: DeepSeek-V4-Flash e MiniMax-M3 foram treinados em B200 ou B300; DeepSeek-V4-Pro, Kimi K3, Kimi K3.1-Pro e Ling-3.1-flash foram treinados em GB200 ou GB300; modelos anteriores dos mesmos laboratórios aparecem como treinados em Hopper, ou seja, em chips da geração anterior. Isso significa que a assinatura desses laboratórios muda de Hopper para Blackwell, justamente os chips proibidos de exportação para a RPC. Depois, o autor estimou a escala.
O que isso significa e onde estão os pontos fracos?
Se o método funcionar, os reguladores ganham uma ferramenta que não exige acesso a data centers. Basta ter os pesos abertos que os próprios laboratórios publicam. Isso pode se tornar um argumento importante no debate sobre sanções. A prática de publicar pesos também pode mudar: parte das equipes deve passar a adicionar ruído ou reinicializar os modelos. Mas a história tem ressalvas: A fonte é única: a publicação do autor e a repercussão no Telegram. O material não traz verificação pública independente.
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.
O essencial da IA — uma vez por semana
Sete histórias que realmente importaram, escolhidas a dedo. Sem ruído nem releases.
Pronto! Verifique seu e-mail para a confirmação.