AI最前沿 88Z.ai 11 月 20 日消息,安全研究机构 Unemployment Labs 发布报告,提出“模型权重取证学”。研究发现,不同代际 GPU(如 Hopper 与 Blackwell)在伪随机数生成、CUDA 内核划分及浮点舍入上的硬件级差异,会在模型权重中留下确定性指纹。分析显示,2026 年 4 月前发布的国内主流开源模型基于 Hopper 架构,而此后发布的六款旗舰模型已切换至受禁运限制的 Blackwell 硬件。
消息要点
- GPU 架构差异在权重初始化中留下确定性硬件指纹
- 2026 年 4 月后国内旗舰开源模型已转向 Blackwell 硬件
- 公开权重文件可能无意中泄露受禁运硬件的使用证据

技术原理:权重中的硬件指纹
过去,外界推测大模型实验室使用的显卡类型,主要依赖供应链消息或内部爆料。安全研究机构 Unemployment Labs(Will DePue 团队)发布的新报告提出了“模型权重取证学”(Checkpoint Forensics)。其核心原理是:不同代际的 GPU,例如英伟达 Hopper(H100/H800)与新一代 Blackwell(B200/GB200),在底层伪随机数生成器(PRNG)、CUDA 内核块划分以及浮点舍入顺序上,存在着细微但完全确定性的硬件级差异。这些差异会在训练启动时的权重随机初始化,以及随后的张量并行切分过程中被写入模型。即便经过数万亿 Token 的预训练,高频谱段和特定张量维度中的初始化残余指纹,仍会像基因标记一样留在最终开源的权重矩阵里。
实证分析:从 Hopper 到 Blackwell 的切换
研究团队完全不依赖外部情报,只对今年公开下载的开源模型权重做数值逆向比对,并在真实的物理 Blackwell 与 Hopper 集群上重放验证。结果显示,2026 年 4 月之前发布的国内主流开源模型,权重特征与英伟达 Hopper 架构精确匹配;而 4 月之后发布的 6 款最新旗舰开源模型(包括 DeepSeek、月之暗面 Kimi、MiniMax 与蚂蚁集团),其数值指纹已与受到严格出口管制的 NVIDIA Blackwell 硬件一致。这意味着,公开发布 safetensors 权重文件,实际上也提供了训练所用硬件配置的证据,因为每一个浮点数都带有相应的架构签名。
88Z 观察
这项研究揭示了开源生态中一个常被忽视的安全维度:模型权重的透明度不仅关乎算法逻辑,也暴露了基础设施的物理属性。对于开发者而言,这意味着“开源”可能无意中泄露合规敏感信息,尤其是涉及受出口管制硬件的使用情况。未来,模型发布方可能需要考虑在权重发布前进行噪声注入或量化处理,以模糊硬件指纹,但这可能影响模型精度。对于监管机构和竞争对手,这提供了一种无需渗透即可验证算力来源的技术手段。从业者应意识到,数据隐私和硬件合规性在模型分发环节同样面临新的审查风险。
资料来源与整理说明
本文由 AI最前沿通过 AI 辅助整理公开资料。产品能力与开放范围按发布方说明转述,未将其视为本站实测或独家采访结论。
- @mylifcc原始资料发布于
以上日期为原始资料发布日期;标题下方日期为本文在 AI最前沿的发布时间。

