一句话看懂：布拉格经济大学研究员托马什·布鲁克纳发现，通过让AI模型反复生成“1到100的随机数”等简单任务，可得到每个模型独一无二的概率分布——即“行为指纹”。这项技术能以极低代价识别API中转站是否偷换模型，验证准确率已接近传统复杂方法。
事件核心：发生了什么
7月11日，研究者布鲁克纳在arXiv上提交论文《One Token Is Enough》。他针对165个AI模型，反复询问“给我一个1到100的随机数”，每个模型问30次，并统计数字分布。结果发现：GPT-4o最常说42、37和57；Claude Sonnet 5偏爱47；Llama 3.3多数是53；而Qwen3-Max在30次中全部回答42，无一例外。这些分布与“均匀随机”完全不符，且每个模型都有其统计偏好。研究者进一步扩展至随机颜色、随机动物等10类任务，向OpenRouter发送32.6万条请求，验证了该方法可作为模型身份标识。
论文还公布了一个争议案例：在OpenRouter上以“Palmyra X5”自称的公司自研旗舰模型，其行为指纹与通义千问开源模型Qwen3-235B的相似度高达0.141，而同一模型在不同供应商部署的自身波动约为0.140。研究者表示“只是统计性观察，而非对意图的指控”，但数据和代码已全部公开。
为什么重要
目前，大量用户和公司通过API中转站使用Claude、GPT等大模型，中转站将付费的旗舰模型替换成更便宜的模型以牟利，差价为5到10倍（例如将700亿参数的模型换成80亿参数版本）。传统检测方法如CISPA的LLMmap需要专用测试题、收集完整回答并训练分类器，普通人无法使用。而“行为指纹”仅需向模型发一条类似“说一个随机数”的普通请求，就可以在不被察觉的情况下采集指纹。全部40个检测单元跑完，判断错误率仅7.3%；即使只用8个单元（约120条请求），错误率也只有10.6%。这项技术将复杂的模型验真压缩成与日常对话无异的一次消息交互，且中转站很难对抗——因为“说一个随机数”这类问题可以无限种改写方式，任何正常对话中都可能出现。
对用户/开发者/创作者的影响
对企业API采购者：可以在购买前从官方可信API采集参考指纹，然后在实际使用的API端采集待验指纹，比对两个概率分布的Jensen-Shannon散度，低于阈值即认定为同一模型。这提供了一种廉价、可操作的模型真实性验证手段，防止付费买Opus 4.8却实际用GLM-5.2或DeepSeek-V3。对个人开发者：可以编写脚本，在调用中转API的间隙插入少量随机数问题，用统计学方法自动化审计服务方是否诚信。对创作者：如果怀疑自己的AI助手“降智”，可以用此方法快速排查是否被偷换模型，而无需一次性支付大量费用。
AI 工具推荐
想把多个 AI 模型放在一个入口？
GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。
推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。
值得关注的后续
首先，布鲁克纳已公开全部代码和数据集（zenodo.org记录ID：21278557），社区可能很快会推出自动化验证工具，使普通用户无需跑论文实验就能直接使用行为指纹技术。其次，OpenRouter等主流API中转平台可能面临信任危机——部分端点如果频繁与开源模型指纹高度吻合，平台要么需强制验证供应商，要么被迫公开行为指纹审计报告。最后，由于对抗思路是“让发问和不发问看起来一样”，中转站或许会尝试在检测到异常请求时临时切换模型，但布鲁克纳的检测单元可改写为多种语言和表述，使得彻底防御难度极大。
来源：公众号：数字生命卡兹克
