这篇论文针对多模态大语言模型（MLLMs）在版权与模型溯源方面的空白提出首个「多模态模型指纹」研究。研究背景是：MLLM 已被广泛用于图文推理等任务，但近期事件表明其存在被非法部署、被未授权蒸馏（即第三方用其输出训练衍生模型）的风险，而现有模型溯源方案大多依赖语言主干特征，在多模态场景下会被共享的语言底座「混淆」，难以识别蒸馏造成的侵权。作者的核心思路借鉴了近期关于自注意力机制具有低通滤波特性、且其低频分量携带丰富信息的发现，据此提出白盒溯源方案 AttnPrint：从模型中提取跨模态注意力分布，并分离其低频成分，将这些低频分量作为模型指纹，用于判断某模型是否为另一模型的衍生版本。为了支持黑盒场景下的审计（无法访问权重时），作者进一步提出 DistillTrace，通过对 MLLM 输出进行假设检验来识别潜在的模型侵权／蒸馏关系，而无需访问被审计模型的参数。实验部分覆盖 19 种多模态架构、共 154 个模型实例，规模较大：AttnPrint 在衍生模型检测上表现良好，并且对五种下游修改技术（如微调等改动）保持鲁棒性；DistillTrace 也在三种与参数无关的技术条件下给出了蒸馏关系的证据。总体而言，论文的贡献在于：首次系统性地将多模态注意力指纹用于模型溯源；同时提供白盒与黑盒两条互补的技术路线；并通过跨架构大规模实验验证了可行性与鲁棒性。适合模型安全、AI 供应链治理、知识产权保护及水印/指纹方向的研究与工程人员阅读。