本文首次系统地研究了“单数据集多模型”（ODMM）范式下的隐私放大风险。在ODMM中，同一个数据集（如人脸或医疗图像）被重复用于训练多个模型，每个模型独立部署为API服务以完成不同任务（如人脸识别、年龄估计、种族分类）。现有隐私研究工作多关注单个模型泄露，而忽视了多模型共同暴露带来的累积效应。作者首先建立了理论框架，证明隐私泄露会随暴露的ODMM模型数量增加而累积（称为ODMM隐私组合）。基于该理论，他们提出了PRIME方法，通过黑盒访问多个ODMM模型，聚合各模型泄露的隐私信号，并利用元分类器联合推断给定样本的成员身份。实验在五个隐私敏感的数据集（涵盖人脸分析、医学影像、文本归因分析三个领域）和多种模型架构（ResNet、ViT、Qwen3-1.7B）上进行，结果表明数据集在多模型间重用显著放大了隐私风险，PRIME攻击性能稳定优于单任务成员推理攻击。文中还探讨了差分隐私等缓解措施，但其代价是效用损失，且PRIME仍能超越单任务基线。该工作对多模型部署场景的隐私风险评估具有重要指导意义。