本文研究了一个新兴的安全问题：商业大语言模型（LLM）的系统提示词（system prompt）可以被高成功率（超过80%）地提取并零成本重新部署，但提示词所有者无法验证某个疑似部署是否是克隆。为此，作者提出了黑盒行为指纹识别（Black-Box Behavioral Fingerprinting, BBF）方法。其核心思想是：提示词所有者先从模型输出中注册一个行为签名（behavioral signature），然后仅通过黑盒API访问，测试疑似部署的输出是否与该签名匹配的程度显著高于无关基线。该方法不需要访问模型内部参数或训练数据。作者进行了大规模实验，覆盖4个模型家族、8个基准测试，共收集288,000条响应。实验发现：提示词选择能够解释24.4%的输出方差；在同一模型下，克隆检测的AUC达到0.876。跨模型性能受检测器身份限制，非对角线AUC范围从0.845（以Claude作为检测器）到0.665（以Qwen作为检测器），整体平均为0.725。BBF能抵抗非自适应提示词改写（AUC≥0.889），并且对不完美的提取具有鲁棒性。然而，一个单句的正式语气前缀（formal-tone prefix）就能在短结构化输出上使检测性能崩溃（在MNLI基准上AUC从0.978降至0.547），从而暴露出风格不变检测（style-invariant detection）这一关键开放问题。此外，作者提出了一种零成本的查询选择规则——诊断查询优化（Diagnostic Query Optimization），该规则可将跨模型AUC提升+0.120。该研究为系统提示词克隆检测提供了首个系统性的黑盒方案，揭示了现有方法的局限，并为后续工作指明了方向。适合LLM安全研究者、模型部署方以及关注知识产权保护的安全工程师阅读。

该论文针对竞技类多人在线战术竞技（MOBA）游戏（如《英雄联盟》）中的账号滥用问题，提出了一种基于行为指纹的检测方法。与以往主要关注游戏机器人（game bots）和金币农夫（gold farming）的研究不同，MOBA 游戏的核心目标是比赛胜负和段位排名，个体操作水平比游戏内经济因素更为关键，因此账号共享（account sharing）和代练（boosting）等账号滥用行为成为破坏公平竞争的主要威胁。论文的核心思想是分析和量化玩家历史行为与近期行为之间的变化，从而构建行为指纹。该方法不依赖大量标注样本，能在标签稀缺的环境下稳健地识别可疑的账号共享和代练行为。实验结果表明，同一账号内部的行为指纹与不同账号之间的行为指纹具有可区分性，即便在标注数据有限的情况下，也能支持对可疑账号滥用的快速检测。该研究为游戏反作弊领域提供了一种新的视角，尤其适用于竞技游戏中的公平性保护场景。适合游戏安全工程师、反作弊研究人员以及关注账号安全与风控的技术人员阅读。