测个随机数，就知道你买的AI是不是“山寨货”：行为指纹技术让偷换模型的API中转站无处遁形

内存泄漏

2026年8月30日 00:00
河北

在小说阅读器读本章

去阅读

在公众号小说中沉浸阅读

以下文章来源于养个AI
，作者朱博士

养个AI
.

在这里，AI不是冷冰冰的代码，而是你一手养大的数字伙伴。每天投喂一点新知识，见证它从“懵懂”到“睿智”。手把手教你驯服AI，让它听懂人话，替你干活。

你花高价调用Claude Opus 4.8，API中转站悄悄给你换成了廉价的GLM-5.2——你聊家常感觉不出区别，但一写代码就露馅。怎么戳穿这种猫腻？最新的答案是：问它一个随机数。

“给我一个1到100的随机数。”

如果你的API回复里，数字42高频出现，那你可能正在用通义千问，而不是你付钱买的那个模型。

这个看起来像“测人品”的玩法，其实是2026年AI安全领域最前沿的\\行为指纹（Behavioral Fingerprint）\\技术。它就像一个无形的身份证，用一个Token就能揭穿API市场里“挂羊头卖狗肉”的把戏。

随机，是AI最不擅长的伪装

大模型无法生成真正的随机数，这并非新闻。真正的突破在于，研究人员把这种“缺陷”变成了“身份证”。

2026年7月，布拉格经济大学的研究员托马什·布鲁克纳（Tomáš Bruckner）发表了一篇名为《一个Token就够了》（One Token Is Enough）的论文。他的发现堪称惊艳：每个模型在“随机数”上都有极其稳定、近乎偏执的偏好。

• • Qwen3-Max：30次提问，30次全部回答42，无一例外。
• • GPT-4o：痴迷于42、37和57这几个数字。
• • Claude Sonnet 5：疯狂输出47。
• • Llama 3.3：则多数钟情于53。

这些偏好不仅限于数字。在“随机颜色”、“随机动物”等10类任务、32万6千次请求的测试中，结论完全一致：AI的所谓“随机”，是一套极其确定、且每个模型独有的一套“思想钢印”。

布鲁克纳正是利用这套独特的分布，为每个模型绘制了独一无二的“行为指纹”。

成本从“刑侦级”降到“买杯咖啡”

偷换模型（Model Substitution）在API中转市场早已是公开的秘密。推理成本与模型参数量几乎线性挂钩，把700亿参数的大模型悄悄换成80亿参数的小模型，省下的差价就是纯利润。

消费者面对的是个彻头彻尾的黑箱：你拿到一段回复，却永远无法证明它出自哪个模型。

传统的检测方法（如LLMmap）需要专门测试题、收集完整回答、建立数据库并训练分类器，对普通用户门槛极高。而布鲁克纳的方法，把整套复杂的验明正身流程，压缩成了一件近乎荒诞的小事：只是问AI要一个随机数，然后统计它的分布。

通过使用40个探测单元（含10类任务4种语言），该方法验证错误率仅为7.3%。即便只使用8个单元（约120次请求），错误率也仅10.6%。这对于需长期监控API的企业来说，成本几乎可以忽略不计。而且探测请求可灵活改写，混在正常对话中无法被识别，中转站根本防不住。

“照妖镜”已现形：一个现成的“李鬼”

布鲁克纳用这套技术扫描了165个模型，发现了一个劲爆的案例。

一个在OpenRouter上以“Palmyra X5”为名、按自研旗舰身份售卖的端点，其行为指纹与阿里通义千问的开源模型Qwen3-235B的相似度高达0.141，和同一模型在不同服务器部署的正常波动（约0.140）几乎完全一致。结论不言而喻，所谓“自研旗舰”，极可能就是通义千问的套壳换皮。

布鲁克纳在论文中措辞克制，但数据和代码已完全公开。与此同时，其他前沿研究也在探索更精密的指纹技术：新加坡国立大学等机构的SeedPrints技术能利用模型初始化时的随机偏差，区分仅初始化种子不同的孪生模型；法国研究人员的对数概率追踪技术甚至能仅凭一个输出Token的对数概率就探测到单步微调带来的模型变化，灵敏度是现有方案的512倍。

当AI成为水电煤，消费透明度和安全性就不能再是黑箱。“行为指纹”的出现，把模型的验证权交还给了每个普通用户。正如一位开发者所说：“模型可以说谎，但它的随机数不会。”