如何识别云端大模型背后的GPU与软件栈：黑盒平台推断研究

为什么与算力采购有关

用户购买H100等高端GPU推理服务时，通常只能看到供应商标称配置，难以从API响应验证后端硬件。模型被替换、精度变化或使用更廉价平台，都可能影响价格、公平性和复现。

论文方法

HSPI从模型输入输出的数值模式提取特征，利用GPU架构、数学库和编译器实现差异训练分类器。论文在白盒实验中报告83.9%到100%的GPU区分准确率，黑盒情形也高于随机猜测。

不能过度解读

这不是一条请求即可完成的硬件鉴定工具。模型量化、随机采样、服务端更新、批处理和API截断都会改变可观测信号。正式验收仍应结合合同、监控、基准任务、账单与供应商证明。

完整原文与使用说明

原文题名：Hardware and Software Platform Inference。作者：Cheng Zhang、Hanna Foerster、Robert D. Mullins、Yiren Zhao、Ilia Shumailov。本站保存来源机构发布的完整英文PDF，PDF内容未作删改；上面的中文内容是针对这篇论文单独撰写的阅读导引，不冒充全文翻译。

原始发表页：https://proceedings.mlr.press/v267/zhang25u.html。

许可依据：PMLR官方出版协议向公众授予CC BY 4.0许可，转载时须保留作者、出版信息和PMLR原文链接。 本页同时展示文件页数、大小和哈希值，便于核对本地文件完整性。