AI模型指纹：用随机数检测模型是否被调包

像OpenRouter这样的模型聚合商，一个入口接入数百个模型，用户选择模型名称后，请求最终落到哪台机器、运行的是什么模型，用户完全无法知晓，也没有任何凭证。这种不透明性为模型调包提供了可能。

布拉格经济大学的Tomáš Bruckner提出了一种巧妙的验证方法：利用AI模型在生成随机数时的固有偏好，为每个模型建立“指纹”，从而低成本地识别模型身份。

AI模型无法生成真正的随机数，这是一个已知缺陷。Bruckner的研究反其道而行之，将这一缺陷转化为识别特征。实验发现，不同模型有独特的数字偏好：GPT-4o最偏爱42（37和57也常说），Claude Sonnet 5几乎只说47，而Qwen3-Max在30次采样中每一次都回答42。

这种偏好稳定且可重复，使得通过少量随机数请求即可区分模型。

研究通过计算指纹距离来量化模型相似度。同一模型两次采样的指纹距离中位数为0.140，而一个被宣传为自研专有旗舰的接口，与开源Qwen的距离仅为0.141。这意味着该接口与开源Qwen几乎无法区分，强烈暗示其实际运行的是开源模型而非自研旗舰。

这一结果直接揭示了聚合平台可能存在的调包行为：用户付费选择的高端模型，实际可能被替换为低成本的开源替代品。