# 让模型反复报随机数，就能揪出 API 背后偷偷换掉的模型

> 原标题：一个随机数就能识别AI模型身份：行为指纹技术可检测API中转站偷换模型

- 来源：AI HOT 精选
- 发布时间：2026-07-21T01:10:49.000Z
- AX AI 日报：https://ai-daily.ax0x.ai/items/45540
- 原文：https://mp.weixin.qq.com/s/pqFZreEZj8kB4KDirl4MSQ

## 摘要

布拉格经济大学的研究员托马什·布鲁克纳让 165 个模型各报 30 次 1 到 100 的随机数，发现每个模型的“选号偏好”都不一样：GPT-4o 爱出 42 和 37，Claude Sonnet 5 大量输出 47，而 Qwen3-Max 30 次全部回答 42。这种偏好就像行为指纹，大约发 120 条请求就能识别出模型身份，错误率在 10.6% 左...

## 推荐理由

点子聪明又实用：用报随机数的行为指纹来识别模型，约 120 次请求就能揪出调包，错误率 10.6%。正好回应了大家对 API 中间商偷换模型的焦虑，有实测数据和模型对比。没给更高分是因为正文没披露测试的 API 来源是否统一、不同温度参数下偏好稳不稳定，实际落地还得自己验证一下。

## 锐评

这个方法挺巧，不用跑复杂基准测试，只靠“报个随机数”这种零成本操作就能给模型做指纹识别。研究员让 165 个模型各报 30 次 1 到 100 的随机数，发现每个模型的选号偏好都不一样，GPT-4o 偏爱 42 和 37，Claude Sonnet 5 大量输出 47，Qwen3-Max 干脆 30 次全部回答 42。大约发 120 条请求就能识别出模型身份，错误率在 10.6% 左右。

这个错误率说明它还不能当法庭证据用，但作为 API 中转站是否偷换模型的快速抽查工具已经够用。10.6% 意味着每查十次可能有一次误判，实际部署时最好多跑几轮交叉验证。正文没披露不同温度参数下指纹是否稳定，也没说模型版本更新后偏好会不会变，这两点直接影响这个方法的长期可靠性。另外，如果中转站故意在返回结果里加一层随机扰动，这个指纹还能不能成立，目前也没数据。

我会先打个折：它适合做第一道筛查，发现可疑再上更重的验证手段，别指望单靠它就能一锤定音。