有研究人员发现 DeepSeek、Moonshot AI 的模型里检出了 NVIDIA Blackwell 指纹特征，这个指纹属于训练过程里硬件留下的痕迹，研究团队根据痕迹推算，它们训练时用到的 GPU 集群规模大概在 3000 到 4500 张 Blackwell 显卡区间，并不是直接拿到了两家公司的内部采购清单。Blackwell 架构 GPU 在算力调度、底层算子、浮点误差上会产生独有的硬件特征，模型训练时大量算力跑在这类卡上，这些特征就会留在最终权重里，相当于硬件留下的 “印记”，研究人员专门开发检测工具抓取这类指纹，反向推算训练集群的卡量区间。整个检测流程是先拿到模型权重，运行指纹检测脚本，提取浮点运算偏差、kernel 特征，再对照 Blackwell 参考基线，最后通过算力消耗反推集群规模。这个指纹只能用来推断训练硬件类型和大致卡数范围，没法拿到训练日志、训练时间、数据集这类内部信息，DeepSeek 和 Moonshot AI 官方暂时没有公开回应这项检测结论。
事件核心信息清单
- 检测对象：DeepSeek、Moonshot AI 大模型
- 硬件指纹：NVIDIA Blackwell 架构特有硬件指纹
- 推算集群规模：3000～4500 张 Blackwell GPU
- 检测原理：训练浮点误差、底层算子特征遗留
- 信息属性：第三方研究推断，非厂商官方披露
- 能力边界：只能判断硬件型号、估算卡量，无法获取训练细节
- 风险定位：属于模型溯源方向的学术研究，不是安全漏洞
不同 GPU 架构指纹特点对比表
| GPU 架构 | 是否会留下可识别训练指纹 | 指纹来源 | 推算精度 |
|---|---|---|---|
| Blackwell | 是 | 浮点计算偏差、硬件算子实现 | 可估算集群卡量区间 |
| Hopper | 是 | 算子误差、调度特征 | 可识别架构，卡量估算误差偏大 |
| A100/A800 | 是 | 老旧算子特征 | 容易区分，但新一代模型很少使用 |
模型硬件指纹检测大致步骤
- 获取待检测模型权重文件
- 加载专用指纹检测工具，运行基准算子测试
- 提取模型里固化的浮点偏差、硬件相关特征
- 和已知 Blackwell、Hopper 等架构基线做比对匹配
- 根据训练总算力，反向估算使用 GPU 数量区间
- 输出架构判定、集群规模估算结果
【常见问题】
问题 1：检出 DeepSeek 和 Moonshot AI 的 Blackwell 指纹，是不是代表它们一定用了 3000 到 4500 张 Blackwell GPU？
回答 1：这个数字是研究人员根据 Blackwell 指纹、算力消耗推算出来的区间，属于估算值，不是精确数字，实际 GPU 数量有可能高于或者低于这个范围。
问题 2：DeepSeek 和 Moonshot AI 模型里的 Blackwell 指纹，会不会泄露模型权重里的训练数据？
回答 2：Blackwell 指纹是硬件运算留下的特征，和训练数据集内容无关，这种指纹溯源方式不能提取模型训练时使用的原始数据。
问题 3：能不能通过 Blackwell 指纹，分辨 DeepSeek 和 Moonshot AI 各自分别用了多少张 GPU？
回答 3：目前这项研究只给出整体 3000–4500 的区间，暂时没办法依靠 Blackwell 指纹单独拆分 DeepSeek、Moonshot AI 各自的 GPU 数量。
问题 4：模型厂商可以做处理，清除 DeepSeek、Moonshot AI 这类模型里的 Blackwell 指纹吗？
回答 4：完全消除 Blackwell 硬件指纹难度很高，训练阶段就已经写入模型权重；后期做蒸馏、量化等操作可以弱化指纹，但很难做到彻底抹除。
【参考资料】
[2026-11-14]（DeepSeek、Moonshot 模型检出 Blackwell 硬件指纹，推算 3000-4500 卡训练集群）TechWeb
[2026-11-14]（Researchers trace DeepSeek and Moonshot AI to Blackwell GPU clusters）TheInformation
[2026-11-13]（大模型硬件指纹溯源技术：通过浮点痕迹识别训练 GPU 架构）AI 前线
【免责申明】
本文仅为 AI 技术资讯科普，Blackwell 指纹检测、GPU 集群规模均为第三方研究推断结果，没有厂商官方数据佐证；硬件指纹溯源技术仍处于早期研究阶段，结论存在误差，不代表事实定论。