# 大语言模型指纹识别

作者重新审视了基于水印蒸馏的大模型指纹协议，指出其效用评估低估了开放式生成中的文本质量退化，并提出“近邻并列限制”（near-tie restriction）：用基座模型 top-1 相对 logit 差距把水印偏置限制在接近 top-1 预测的 token 上；在 Llama-3.2-3B、Qwen-2.5-3B、Llama-3.1-8B、Gemma-9B 上，该方法在采样、系统提示、量化、剪枝、微调等部署变换下改善了检测—质量前沿，在相同查询预算下保持更高文本质量，并能与 SWEET、MorphMark 结合进一步提升。

作者重新审视了基于水印蒸馏的大模型指纹协议，指出其效用评估低估了开放式生成中的文本质量退化，并提出“近邻并列限制”（near-tie restriction）：用基座模型 top-1 相对 logit 差距把水印偏置限制在接近 top-1 预测的 token 上；在 Llama-3.2-3B、Qwen-2.5-3B、Llama-3.1-8B、Gemma-9B 上，该方法在采样、系统提示、量化、剪枝、微调等部署变换下改善了检测—质量前沿，在相同查询预算下保持更高文本质量，并能与 SWEET、MorphMark 结合进一步提升。

作者提出 GateScope 这一仅依赖公开 API 的轻量黑盒审计框架，从响应内容、多轮对话一致性、计费准确性和延迟特征四个维度评估 LLM API 网关，在官方端点验证中 24 个模型的平均 F1 为 0.968±0.085，随后审计 10 家商用网关，发现部分平台对 gpt-5 的模型识别率低至 13.09%、多轮记忆检查点通过率下降、o*ey 的 gpt-4o 账单高出预期 62.8%，以及 b*ie 的延迟变异系数明显偏高。

作者提出 GateScope 这一仅依赖公开 API 的轻量黑盒审计框架，从响应内容、多轮对话一致性、计费准确性和延迟特征四个维度评估 LLM API 网关，在官方端点验证中 24 个模型的平均 F1 为 0.968±0.085，随后审计 10 家商用网关，发现部分平台对 gpt-5 的模型识别率低至 13.09%、多轮记忆检查点通过率下降、o*ey 的 gpt-4o 账单高出预期 62.8%，以及 b*ie 的延迟变异系数明显偏高。