大型语言模型（LLM）API的广泛使用使得用户依赖黑盒指纹识别来验证服务提供商是否真正部署了所宣称的优质模型。然而，现有指纹识别方法可能忽视恶意提供商通过操纵模型权重来欺骗指纹检测的风险。本研究提出了一种名为“指纹欺骗”（fingerprint spoofing）的新型威胁：恶意提供商秘密提供较弱模型，该模型通过参数高效微调模仿较强模型，从而逃避用户端的指纹识别。作者首先从理论上证明，用户端的资源限制（即有限的查询预算和弱指纹分类器）使得现有指纹识别易受此攻击。基于理论分析，提出了GhostPrint攻击框架，该框架结合代理建模、奖励排序微调和知识蒸馏，以低成本的方式实现有效欺骗。在静态和持续指纹识别场景下的广泛评估表明，GhostPrint能够使弱模型持续绕过代表性指纹识别方法，同时以较低的微调成本保持实用性。该研究揭示了当前LLM指纹识别流程中的一个严重漏洞。