Pesquisadores vinculam pesos iniciais de IAs chinesas a GPUs Blackwell e Hopper
Aprofundamento CEVIU
Aprofundamento
Pesquisadores identificaram uma correlação direta entre os pesos iniciais de modelos de IA e o arranjo de threads por Streaming Multiprocessor (SM) em GPUs NVIDIA. A metodologia se baseia na análise de como o PyTorch, por meio da biblioteca cuRAND da NVIDIA, semeia esses pesos iniciais e os distribui pelas threads durante a fase de inicialização, criando padrões numéricos únicos para cada configuração de chip. Ao examinar os pesos que permanecem inalterados após o treinamento, ou até mesmo os que exibem uma correlação mais fraca após serem ajustados, é possível inferir a arquitetura da GPU utilizada. Por exemplo, DeepSeek-V4-Flash e MiniMax-M3 apresentam padrões de 148 SMs, característicos das GPUs Blackwell B200 ou B300, enquanto Kimi K3, Kimi K3.1-Pro e Ling-3.1-flash mostram 152 SMs, que correspondem aos modelos Blackwell GB200 ou GB300. Modelos mais antigos das mesmas empresas, como DeepSeek-V3, Kimi K2.5 e MiniMax M2.7, apontam para a arquitetura Hopper, que possui 132 SMs.
Essa técnica não distingue chips dentro de um mesmo grupo de arquitetura (por exemplo, H800 de H100 ou H200 na família Hopper), mas sua precisão foi confirmada ao reproduzir resultados conhecidos de modelos com hardware declarado publicamente. A pesquisa estima que os maiores treinamentos, como os de Kimi K3 e DeepSeek-V4-Pro, necessitaram de milhares de GPUs Blackwell por meses, indicando um investimento substancial em hardware de ponta, mesmo diante das restrições de exportação para a China.
O que mudou
Este aprofundamento expande a notícia de 13 de novembro de 2026, intitulada "Análise forense aponta que modelos chineses de ponta foram treinados com GPUs Blackwell da NVIDIA", detalhando o mecanismo técnico por trás da detecção de GPUs. Enquanto a notícia anterior afirmava a descoberta, a atual explica como a correlação dos pesos iniciais com o layout de threads por SM nas GPUs permite a identificação da arquitetura. Além disso, a matéria atual esclarece que não apenas modelos chineses foram analisados, mas também modelos de desenvolvedores que publicaram o hardware utilizado, onde o método obteve sucesso em identificar corretamente a arquitetura.
Por que isso importa
Para o profissional de hardware e engenharia eletrônica, esta técnica de fingerprinting de GPU nos pesos de modelos de IA é um avanço significativo em forense computacional. Ela oferece um método robusto para inferir a arquitetura de hardware de treinamento, mesmo quando as informações são ocultadas. A capacidade de identificar se um modelo foi inicializado em Hopper ou Blackwell, por exemplo, impacta diretamente a compreensão das capacidades e investimentos tecnológicos de desenvolvedores, especialmente em um cenário geopolítico com restrições de exportação de semicondutores. Isso significa que, mesmo sem acesso direto aos datacenters, é possível traçar um panorama do hardware de ponta em uso e da sua distribuição.
Linha do tempo
Lançamento do DeepSeek-V3, treinado em arquitetura Hopper.
Lançamento do Kimi K2.5, treinado em arquitetura Hopper.
Lançamento do DeepSeek-V4, com padrões de inicialização Blackwell.
Lançamento do MiniMax-M2.7, treinado em arquitetura Hopper.
Lançamento do MiniMax-M3, com padrões de inicialização Blackwell.
Lançamento do Kimi K3, com padrões de inicialização Blackwell.
CEVIU noticiou que DeepSeek V4 usou chips Ascend da Huawei no pós-treinamento.
Lançamento do Ling-3.0-flash, treinado em arquitetura Hopper.
CEVIU publicou artigo sobre Desvendando as Arquiteturas de Chips de IA.
CEVIU noticiou sobre Fingerprinting Comportamental Revela Origem e Censura de Modelo de IA 'Ox Alpha'.
CEVIU noticiou que Nova Técnica Expõe Processos Internos de Modelos de IA.
CEVIU publicou sobre Modelos massivos de IA que rodam em GPUs de consumidor com SSD.
Lançamento do Ling-3.1-flash, com padrões de inicialização Blackwell.
CEVIU noticiou Análise forense aponta que modelos chineses de ponta foram treinados com GPUs Blackwell da NVIDIA.
Pesquisadores vinculam pesos iniciais de IAs chinesas a GPUs Blackwell e Hopper.
Perguntas frequentes
Como a técnica de fingerprinting de GPU funciona?
A técnica explora como os pesos iniciais de modelos de IA são semeados pelo PyTorch. Cada arquitetura de GPU, como Blackwell ou Hopper, tem um número específico de Streaming Multiprocessors (SMs) e threads por SM. Isso cria um padrão único na distribuição dos pesos iniciais, que pode ser detectado mesmo após o treinamento.
Quais modelos chineses foram associados a GPUs Blackwell?
Modelos como DeepSeek-V4, Kimi K3, MiniMax-M3 e Ling-3.1-flash foram associados à arquitetura Blackwell. Versões anteriores desses mesmos modelos, como DeepSeek-V3 e Kimi K2.5, apresentaram padrões compatíveis com a arquitetura Hopper.
A técnica pode distinguir entre modelos de GPU dentro da mesma arquitetura, como H100 e H800?
Não, a técnica identifica a arquitetura geral da GPU, mas não consegue distinguir chips individuais dentro do mesmo grupo de arquitetura. Por exemplo, um padrão Hopper não diferencia um H800 de um H100 ou H200, pois compartilham a mesma contagem de SMs relevante para a inicialização dos pesos.
Qual o significado da correlação entre pesos iniciais e layout de threads?
A correlação significa que a forma como o software de IA (PyTorch) distribui os pesos iniciais nas threads de uma GPU gera um 'DNA' computacional. Esse DNA é específico para a configuração de hardware (número de SMs e threads), permitindo que pesquisadores identifiquem a arquitetura da GPU que iniciou o treinamento do modelo.
Fontes
- unemploymentlabs.comfonte original
- Categoria
- CEVIU Hardware
- Publicado
- 16 de novembro de 2026
- Editoria
- CEVIU Hardware

