一个API可以名字起对、文档写得漂亮、回答也像模像样。但这仍然不能证明,回应你的就是它宣称的那个模型。
风险出现在那些第三方服务上:它们承诺通过自己的API提供知名模型的访问,有时价格更低,限制更少。在CCS 2026上发布的一项研究审计了这个市场,作者称之为shadow APIs(影子API),并在部分此类服务与官方API之间发现了性能、安全行为和身份上的差异。该研究分析的是一个范围有限的供应商集合,并不是对全部中间服务的指控。
其中一个结果值得注意:在两个被分析的端点中,一个宣称提供GPT-5的服务,其行为指纹与GLM-4-9B-chat相符。这是量级上的显著差异,但需要说准确:该技术识别的是统计相似性,并不直接检查服务器。这个结果是那次测试中可能存在替换的证据,而不是对每一次调用、每一个供应商或运营方意图的证明。
怎么验证一个封闭API内部发生的事?一条意想不到的线索是让它报“随机数”。
2026年7月发表在arXiv上的一篇文章测试了简单请求,比如在1到100之间选一个数字。诀窍不是问一次、看到它回答“42”就断定模型身份。研究者用不同语言重复多次请求,并比较回答的频率分布。模型倾向于重复某些数字和选择,这些偏好的集合可以当作指纹使用。在该研究中,用完整测试组进行验证的等错误率为7,3%。这个数字描述的是所评估的协议,并不保证在任何API或任何场景下都有92,7%的准确率。
另一种方法是ICML 2026上提出的FLIPS。它不聚焦这些短数字,而是利用模型尝试生成伪随机二进制序列时出现的模式。作者报告在closed-set场景(目标模型在已知候选之中)下准确率为96%,在open-set场景(可能存在未知模型)下为90%。这些结果来自237个模型实例,并不是适用于市场上任何服务的通用比率。
逻辑概括起来就是:多次提出标准化问题,记录回答,把观察到的分布与已知模型的参考分布做比较。这不是密码学意义上的身份认证,而是一种寻找值得调查的偏差的手段。
像LLM Fingerprint这样的项目用指纹库和统计比较实现了这一思路。此外还有LM Fingerpoint Detector,其命令为lmfpd,用于将数字模式与参考数据做比较。这些工具适合用来试验和监控,但结果取决于参考数据的质量和测试条件。
对于在生产或研究中使用API的人来说,请求参数里的模型名称不该是唯一证据。记录供应商,用你自己的任务测试质量,当模型身份重要时,把端点与可信参考做比较。指纹不会终结讨论,但可能揭示出这场讨论值得进行。
热门跟贴