黑盒 LLM 指纹识别的目标是仅凭模型对查询的输出，判断目标模型是否来源于某个已知模型。常用做法是对每个查询进行微小扰动，记录原模型和目标模型的响应变化，从而得到两组对应的变化集合。这两组集合蕴含两类信息：各自内部响应变化之间的关系，以及两组之间变化的对应关系。现有方法往往只利用其中一种信息，未能充分结合两者。\n\nSetPrint 是一种无需训练的指纹识别方案， simultaneously 捕获集合内部关系和集合间对应。具体做法是：先将每一次响应变化相对于其所在集合的平均变化进行归一化，然后比较两模型在同一次扰动下产生的归一化变化是否一致。\n\n在 LeaFBench 基准上，SetPrint 始终优于已有的无训练黑盒指纹方法。进一步的实验表明，性能提升来源于对集合内部关系和集合间对应的双重利用。\n\n点评