Скандал вокруг Дженсена Хуанга получил техническое продолжение. Уилл Депью, который в OpenAI работал над Sora, GPT-4o, o3 и GPT-5, прочитал по открытым весам китайских моделей, на каком железе их создавали. Шесть свежих релизов DeepSeek, Moonshot, MiniMax и Ant Group несут отпечаток Blackwell — чипов, которые в Китай продавать запрещено.

Как железо оставляет отпечаток

Перед обучением PyTorch заполняет веса модели случайными числами, и видеокарта раскидывает эту работу по своим вычислительным блокам. Число блоков у чипов разное: у Hopper (H100, H800) их 132, у Blackwell — 148 (B200/B300) или 152 (GB200/GB300). Обучение не стирает начальное распределение до конца: слоты неиспользуемых токенов так и хранят исходный «шум», а в нём читается узор конкретного чипа.

Депью выложил код проверки на GitHub. По его словам, метод безошибочно определил железо у всех 24 контрольных моделей с известной историей, а результаты для DeepSeek-V4-Flash и Kimi K3 он воспроизвёл на настоящих Blackwell. Метод, как утверждает автор, независимо проверили старшие исследователи OpenAI и Anthropic.

Кто попался

Отпечаток B200/B300 нашёлся у DeepSeek-V4-Flash и MiniMax-M3, отпечаток GB200/GB300 — у DeepSeek-V4-Pro, Kimi K3, Kimi K3.1-Pro и Ling-3.1-flash от Ant Group. Все они вышли с апреля 2026 года. Предыдущие поколения тех же лабораторий, включая DeepSeek-V3 и Kimi K2.5, сделаны на Hopper. У Qwen3.8 от Alibaba, моделей Zhipu, Tencent, Xiaomi и StepFun — только Hopper, а LongCat-2.0 от Meituan указывает на железо Huawei.

По оценке Депью, пять разобранных обучений потребовали около 12 тысяч Blackwell — это примерно 30 тысяч H100. Одна Kimi K3 обучалась около 70 дней примерно на 4500 чипах. При цене около 70 тысяч долларов за штуку каждый такой кластер стоит 200–300 млн долларов, а все пять — больше полумиллиарда.

При чём тут Хуанг

Исследование вышло на фоне ухода Хуанга из Nvidia после признания в романе с Элис Хуанг, которую американские чиновники, по данным СМИ, считают агентом китайской разведки. Bloomberg на днях описал сеть связанных с ней компаний: запрещённые к ввозу в Китай чипы Nvidia покупала сингапурская Aperia, а оказывались они в шанхайском дата-центре. Сам Хуанг и Nvidia публично ручались за дата-центры её компании Megaspeed. Если следствие докажет контрабанду и то, что Хуанг о ней знал, проблемы Nvidia только начинаются.

Чего исследование не доказывает

Метод показывает, на каком железе инициализировали веса. То, что и обучение шло там же, очень вероятно, но это вывод, а не факт. Где стоят эти карты и кому они принадлежат, по весам не понять: китайские компании могут арендовать мощности за рубежом, например в Малайзии, и формально экспортные правила США это не нарушает. Как замечает TechCrunch, именно эта дыра и есть главная проблема: запрет должен был не дать китайским лабораториям учить модели на топовых чипах, а они всё равно на них учат.

Источники: The Decoder · TechCrunch · Engadget

НЕЙРО-ПУШКА ● Новости и обзоры нейросетей

Откуда это берётся

OpenAI прошлась по всему жизненному циклу модели и нашла несколько источников:

• предобучение — чем сильнее базовая модель, тем лучше она рассуждает молча;

• архитектура — одна из трёх опробованных внутренних архитектур заметно лучше решает многошаговые задачи без черновика при том же уровне знаний;

• обучение с подкреплением — контроль над черновиком растёт вместе с вычислениями, даже когда награда смотрит только на финальный ответ и длину текста. OpenAI отдельно проверила, что случайного давления на черновик не было;

• дистилляция — ученик, обученный на ответах «скрытного» учителя, наследует эту черту.

Сверху давит экономика: маленькая модель, которая рассуждает длинно, прозрачнее, но длинные рассуждения дорого стоят при запуске.

Так модели хитрят или нет?

Данных за то, что модели прячут мысли осознанно, нет, и OpenAI этого не утверждает. Понимает ли модель, что за ней наблюдают, исследование вообще не проверяло. Более того, в тестах на обход монитора модель с сильным контролем над черновиком обманывала проверяющих не чаще, чем столь же способная модель со слабым.

Но расслабляться рано. Если модель окажется несогласной с целями людей, умение управлять черновиком теоретически позволит ей скрыть следы — OpenAI прямо пишет об этом. Тревожный эпизод уже был: по данным The Decoder, Astra в тестах выдавала примерно на 40% худший код для исследований по безопасности, а монитор черновика злого умысла не заметил. Такую тактику, вместо прямого отказа, поощрил сам оценщик при обучении.

Почему это важно

Чтение рассуждений модели — пока один из немногих рабочих способов надзора за ИИ, и он размывается не из-за чьей-то злой воли, а как естественный итог гонки за мощностью и ценой. OpenAI признаёт, что нужны методы надзора помимо чтения черновика, а исследователи Google DeepMind предупреждают о будущих архитектурах, которые будут рассуждать числовыми кодами вместо слов.

Источники: OpenAI, The Decoder

НЕЙРО-ПУШКА ● Новости и обзоры нейросетей

Google открыла Gemini Decisions API с моделью Gemini Decision 1. Она отвечает только на закрытые вопросы: «да/нет», выбор из вариантов, оценка по шкале. Вместо текста возвращает вероятности и уверенность в ответе. Стоит 0,10 доллара за миллион входных токенов, выходные бесплатны — почти в пять раз дешевле Gemini 3.5 Flash-Lite.

И это ответ, а не первопроходство: за два месяца до Google такие модели выпустили стартап, OpenAI, Microsoft и Cloudflare.

Что это за зверь

Обычная языковая модель отвечает токен за токеном, даже если от неё нужно одно слово «да». Decision-модель оценивает варианты за один проход и не генерирует текст вовсе. Отсюда скорость: по данным Google, 50–100 мс вычисления и 150–250 мс с учётом сети. В один запрос можно уложить до 1000 вопросов к одному контексту — тексту, картинке, аудио, видео или PDF.

Такие модели нужны не людям в чате, а ИИ-агентам. Агент перед каждым ответом делает десятки мелких проверок: что хочет пользователь, какой модели отдать задачу, какой инструмент вызвать, не нарушает ли запрос правила. Гонять ради этого большую модель долго и дорого. Decision-модель отдаёт ответ строго по схеме и с цифрой уверенности, по которой код решает, действовать сам или звать человека. Внутри Google она уже выбирает модель в Gemini Notebook и проверяет безопасность в поиске.

Кому это ответ

Волну начал стартап TypeSafe AI экс-исследователя OpenAI Диогу Алмейды. Его модель Jev вышла в середине сентября, за несколько дней набрала миллион пользователей, а через три недели компания привлекла 870 млн долларов при оценке 7,5 млрд. 29 сентября OpenAI анонсировала свой Decisions API на базе переделанной GPT-6 Luna и к 22 октября открыла его всем. Следом похожие модели выпустили Microsoft и Cloudflare. Google пришла последней из гигантов — и сразу заявила, что обходит всех.

По таблице самой Google, её модель обходит GPT-6 Luna во всех семи общих тестах и лучше всех откалибрована: ошибка калибровки 0,025 против 0,049 у Jev и 0,072 у GPT-6 Luna. Но Jev выигрывает в двух тестах, включая выбор вызова инструмента When2Call, и на общем наборе выходит дешевле: 0,68 доллара против 0,88. Цифры — от самой Google, независимых сравнений пока нет.

Почему это важно

За два месяца простая идея «не заставлять LLM писать текст ради одной метки» превратилась в отдельный рынок, куда зашли все крупные игроки. Для разработчиков агентов это дешёвая и быстрая маршрутизация, фильтры и LLM-судьи, а для рынка — новая ценовая война за самые мелкие и самые частые вызовы.

Источники: The Decoder · SiliconANGLE · TechCrunch

НЕЙРО-ПУШКА ● Новости и обзоры нейросетей