本文探讨在仅有模型产物（权重增量、固定探针集上的内部激活或生成文本）时，是否能恢复 LoRA 微调的训练数据领域。实验使用单一基模型 Qwen3.5-0.8B，对 18 个公开数据集进行 36 次 LoRA 微调，覆盖医学、代码、数学、非英语文本和叙事散文五大领域。特征分为三类：白盒权重统计、灰盒激活以及黑盒输出。采用事先冻结的留一数据集（LODO）协议，评估在未见数据集上能否识别其领域。结果显示，灰盒激活的领域识别准确率为 61%，黑盒输出为 64%，白盒权重统计为 42%，均显著高于随机 20%。这与预注册假设（信号从权重到激活再到输出单调衰减）相反，激活和输出提供了更丰富的信息。仅使用生成文本（不含 token 概率）时，黑盒准确率仍保持 64%。进一步实验表明，增加第三次独立抽样训练、不同的 LoRA 秩（8‑64）均不影响黑盒预测的稳定性。所有代码和每次运行的特征向量已公开发布。\n\n点评：该工作展示了模型产物中蕴含的领域信息远超预期，对模型隐私泄露风险提出了新的警示，也为后续的防御机制提供了实验基准。