中转站套壳，只要一个数字就能拆穿它

最近，


布拉格经济大学




的研究员托马什·布鲁克纳（Tomáš Brückner）给这个问题找到了一个解法。

他在7月11日挂到


arXiv




上的论文《One Token Is Enough》里说：



识别一个模型是谁，一个Token就够了。

论文中提出的


这套FIT-Print识别方法门槛极低，无需专业工具，



简单到让人怀疑。

他找了165个AI模型，反复


发送一句话：



给我一个1到100的随机数。

每个模型问30遍，然后


记录下每一次输出的数字，统计好这些数字的出现频率。

按理说，随机应该是没有规律的，但结果显然不是这样。

以




GPT-4o、


Claude Sonnet 5




、Llama3.3和Qwen3-Max




四款模型为例。

它们给出的答案分布完全不同且稳定：GPT-4o的30次回答里，42、37、57三个数字占了一大半；Claude Sonnet 5疯狂输出47；


Llama 3.3




的答案多数是53；最夸张的是Qwen3-Max，30次全部是42，一次都没变过。

而且不光是数字，随机颜色、随机动物、随机城市、抛硬币……10类任务、32万6千条请求，结论都一样：


对于AI模型来说，根本没有真正的随机。

布鲁克纳管这叫


Behavioral Fingerprint（行为指纹）


。

原理也很简单。

每一个大模型，无论是原生模型、微调模型还是量化压缩模型，都会因




训练数据、模型架构、参数权重、优化策略







的差异，形成独一无二的“




行为




指纹”。

这种






“




行为




指纹”






不会被中转套壳、界面包装、简单微调抹去，是模型与生俱来的






“






生物特征






”






。

而所有中转站的套壳操作，都只是“中转转发、换皮包装”，根本没有能力改动大模型底层的核心算法和参数。

哪怕中转站修改对话格式、过滤部分内容，


模型底层的单Token输出概率分布不会改变


，这就是可用于核验模型真伪的核心依据。

论文的实验数据显示：用40个任务（




10任务×4语言




）的完整测试，错误率只有7.3%；哪怕只用8个




任务




，错误率也能控制在11%以内。

快去给你的大模型要一个随机数，试试它有没有套壳吧。

（转载自：AI普瑞斯）