行为指纹技术可检测API中转站偷换模型

核心亮点

布拉格经济大学研究员托马什·布鲁克纳发现了一个轻巧却犀利的检测手段：只要反复让模型输出 1 到 100 之间的随机数，就能得到一张独一无二的“行为指纹”。这项技术为验证 API 接口是否被“偷换模型”提供了一把低成本、易部署的尺子。

具体能力或事件经过

布鲁克纳对 165 个模型各询问 30 次随机数，统计它们偏好的数字分布。结果极具辨识度：GPT-4o 偏爱 42 和 37，Claude Sonnet 5 近乎疯狂地输出 47，而 Qwen3-Max 居然 30 次全部回答 42。换句话说，所谓“随机”，在不同模型里其实各有顽固的偏好。这些偏好来自训练数据、采样策略与后处理的细微差异，叠加起来就成了难以伪造的身份特征。

技术细节

方法的核心在于“以随机性测身份”。由于伪随机采样受种子、温度与分布裁剪影响，每个模型的输出分布都有稳定偏差。实验显示，仅需约 120 条请求即可识别模型身份，错误率约 10.6%。与需要比对权重或抓取内部日志的手段相比，行为指纹完全在接口层完成，不依赖服务商配合，也不触碰模型内部，因而具备很强的实用性与隐蔽性。

与竞品对比

传统防替换方案多依赖服务端签名、响应头部或私有协议，主动权在服务方；而行为指纹把验证权交回调用方，只要能发起请求就能自行判断。它不像水印那样可被刻意抹除，因为“数字偏好”是模型推理的副产品，难以在不改变能力的前提下伪装。当然，它的局限是需多次采样，且对经过强对齐、刻意均匀化的模型区分度会下降。

行业影响或适用场景

说白了，API 中转站偷换模型是行业里公开的潜规则：用户以为调用的是旗舰模型，实际可能被降级到廉价模型以赚取差价。行为指纹让企业和个人有了“验真”能力——在接入第三方网关、模型聚合平台或低价代理时，先打一套随机数探针，就能判断对方是否货不对板。对合规审计、SLA 履约核查、模型供应链安全而言，这是一项简单却高效的基础设施级工具，也倒逼服务商在模型来源上更加透明。