Un informe de investigación recién publicado asegura que los pesos de seis modelos de código abierto lanzados este año por DeepSeek, Moonshot AI, MiniMax y Ant Group conservan rastros de inicialización de las GPU de la serie Blackwell de Nvidia. El autor del informe es Will DePue, responsable de la organización de investigación sin ánimo de lucro Unemployment Labs, quien según TechCrunch trabajó como investigador en OpenAI. Blackwell figura entre los chips cuya exportación a China prohíbe Estados Unidos.
De dónde sale la huella
El método se fija en el paso previo al inicio del entrenamiento: la inicialización aleatoria. Cuando PyTorch genera los pesos iniciales en la GPU utiliza el algoritmo de números aleatorios Philox, y la posición en la que cae cada valor depende del número de multiprocesadores de flujo (SM) y de hilos de la tarjeta. Cada generación de chips tiene una configuración distinta: B200/B300 tienen 148 SM y 303104 hilos, GB200/GB300 tienen 152 SM y 311296 hilos, y la generación anterior, Hopper, tiene 132 SM.
El autor exploró unos 6 billones de combinaciones de «semilla + disposición» y después las contrastó con pesos que no habían participado en la búsqueda. El entrenamiento modifica la mayor parte de los pesos, pero siempre queda una parte de las filas que conserva el valor inicial. Según el informe, con PyTorch sin modificar es posible reproducir esas filas de DeepSeek-V3 en una H100 y las de DeepSeek-V4-Flash en una B300; si se intercambian, no coinciden. En una GB200 alquilada también se reprodujeron las filas conservadas de Kimi K3.
Seis modelos, una línea divisoria
Los seis modelos que enumera el informe son DeepSeek-V4-Flash, DeepSeek-V4-Pro, Kimi K3, Kimi K3.1-Pro, MiniMax-M3 y Ling-3.1-flash de Ant. La significación estadística va de 49 a 1385 sigmas, mientras que el umbral aleatorio que da el autor ronda las 8 sigmas.
Si se ordenan los lanzamientos de estas empresas, la frontera es bastante nítida. Los modelos de la generación anterior, como DeepSeek-V3, Kimi K2.5, MiniMax-M2.7 y Ling-3.0-flash, dan todos Hopper; la nueva generación, lanzada de forma escalonada a partir de abril de 2026, cambió la huella a Blackwell. Kimi K2.7-Code queda a medio camino, con un resultado mixto, y no se ha contabilizado.
En otras empresas la situación es distinta. En los modelos de Qwen (Tongyi Qianwen), Zhipu GLM, Tencent, Xiaomi y StepFun, el informe sigue midiendo Hopper; en LongCat-2.0 de Meituan no se detectó huella de GPU alguna, y Meituan había dicho antes que lo entrenó en un «supernodo de AI ASIC». Dentro del alcance del informe, los rastros de Blackwell se concentran en cuatro empresas y no en todo el ecosistema abierto chino.
El informe también estima la escala de GPU de la última ronda de entrenamiento: Kimi K3 en torno a 4500 tarjetas (mejor estimación), DeepSeek-V4-Pro en unas 3000 y los demás alrededor de 1500, en total unas 12.000 tarjetas; a unos 70.000 dólares por unidad, el clúster más grande costaría entre 200 y 300 millones de dólares. El autor admite abiertamente que no está seguro de esta estimación, que depende de supuestos como el aprovechamiento de la capacidad de cómputo, el número de tokens de entrenamiento y la duración del entrenamiento; las cifras de la primera versión del informe se corrigieron una vez el mismo día de su publicación.
Los límites que traza el propio informe
Lo que este estudio puede demostrar es limitado, y el autor lo detalla en el texto. La huella solo registra en qué tipo de chip se generaron los pesos iniciales; un modelo puede perfectamente inicializarse en un sistema y entrenarse en otro. La AMD MI300X también podría, en teoría, imitar esas disposiciones; el autor solo la descartó numéricamente en el caso de DeepSeek-V4-Flash y, para los otros cinco, lo considera «sumamente improbable».
Más delicado es que el método no puede saber a quién pertenecen los chips ni dónde están. Los servidores Blackwell se pueden alquilar en centros de datos fuera de China; en palabras del informe, las pruebas no demuestran que los chips hayan sido introducidos de contrabando en China ni que se hayan incumplido los controles de exportación. Sobre la fase de entrenamiento, la redacción del informe también deja margen:
«supports, without proving, the inference that Blackwell also performed the training»
(respalda, sin demostrarla, la inferencia de que Blackwell también realizó el entrenamiento.)
Este método solo sirve para modelos de pesos públicos; los modelos cerrados no se pueden verificar. En la cobertura de TechCrunch no aparecen respuestas de las empresas chinas ni de Nvidia, y el Departamento de Comercio de EE. UU. tampoco se ha pronunciado sobre el estudio, por lo que, de momento, las afirmaciones no pueden contrastarse con las partes implicadas.
La semana en que se publicó el informe trascendió que el Departamento de Comercio de EE. UU. está ultimando normas para restringir que las empresas chinas de IA utilicen de forma remota chips avanzados a través de centros de datos en el extranjero. Si la norma se aprueba, el alquiler de Blackwell en el exterior sería la primera vía afectada; y este estudio ofrece una forma de comprobación que no necesita información interna y se apoya solo en pesos públicos. Cuando la próxima tanda de modelos abiertos publique sus pesos, lo más probable es que alguien vuelva a ejecutar la misma prueba.
Fuentes: TechCrunch, CocoLoop, informe de investigación Checkpoint Forensics de Unemployment Labs; el texto del informe se utilizó para contrastar la lista de los seis modelos, las cifras de SM e hilos, los intervalos de sigma y el criterio de la estimación de GPU.