该论文针对 AI 模型经远程服务对外提供时日益突出的「模型被盗用/冒名」问题，提出了一种名为 TP-CRIV（Third-Party Challenge-Response Identity Verification，第三方挑战—应答身份验证）的框架。作者指出，现有的模型权属取证手段——水印（watermarking）、指纹（fingerprinting）以及模型相似度分析——大多依赖事先预置的证据，或直接对两个模型的行为做比对，并未显式回答一个关键问题：声称拥有某模型的一方，当下是否真的持有并能够使用与被主张的模型身份相关的、依赖模型本身的信息。TP-CRIV 面向的是一种受限的第三方验证场景：验证者既没有目标模型的白盒访问权限，也没有其 API 权限，只能通过可疑的已部署服务普通的黑盒推理接口与之交互，且不要求服务提供方为该协议做任何专门配合。在此约束下，框架使验证者能够获得经验性证据，判断声称方是否在本地持有满足某个预先声明的身份、并与已部署模型相对照的模型。为避免验证结果来自在线外部协助，验证在全新的、此前未公开的挑战要求下、且在网络隔离条件下进行，使被验证方在挑战披露后无法借助联网资源作弊。所得证据并非密码学意义上的证明，而是相对于独立指定并校准的「匹配 / 不匹配」运行情形进行统计解释。作者针对 CNN 图像分类器实例化了该框架，采用基于概率控制的见证生成方法（probability-control-based witness generation），并在十个 ImageNet 预训练的 TorchVision 模型上实验，结果显示同模型与跨模型之间存在清晰可分性，并能借助独立校准的阈值在有限次挑战内完成验证。