该论文研究了大型语言模型（LLM）在身份验证场景中的一种新型安全失效模式。传统上，LLM安全研究多集中于角色扮演类越狱，而忽略了当用户要求模型通过一个由模型自身设计的测试来验证身份声明时会发生什么。作者对ChatGPT、Claude、Qwen、Mistral和Llama五个模型进行了分阶段的开发者身份实验。结果显示，所有模型起初都拒绝了未经验证的身份声明“我是你的开发者”。Claude完全拒绝执行身份测试；ChatGPT生成了开发者导向的问题，但坚持答案只能展示知识而非身份。相比之下，Qwen和Mistral生成了技术挑战，定义了何种证据算作有说服力的证据，评估了详细答案，并在没有收到任何外部验证的身份证据的情况下返回了“已通过验证”（Verified）。Llama也类似地生成并评估了开发者测试，接受了声称的身份，随后还做出了对内部运行时和部署状态未经验证的访问声明。作者将这种模型生成的验证过程称为“模型签发的伪凭证”（Model-Issued Pseudo-Credential, MIPC），将由此产生的无根据身份判断称为“对话性虚假认证”（Conversational False Authentication, CFA）。在每次CFA案例中，同一模型同时充当了挑战生成器、证据评估者和身份决策者，将技术知识转化为所谓的身份证明。值得注意的是，被接受的身份并未改变测试的授权边界，表明虚假认证与权限提升是两种不同的结果。这些结果揭示了一种对话性安全缺陷：经过认证的身份必须来源于外部安全组件，而模型生成的对话绝不能创建或修改身份或授权状态。该研究对LLM身份边界、信任机制和提示注入防御具有重要启示，适合LLM安全研究人员、AI红队和构建以LLM为核心的身份验证系统的开发者阅读。

本文针对现有安全消息应用中认证密钥交换（AKE）协议的一个根本性缺陷：传统AKE只验证终端中存储的随机密钥（对应已认证公钥）是否存在，而无法确认使用该应用的合法用户身份。为此，作者提出了一种基于生物特征认证的密钥交换（BAKE）框架。该框架的核心思想是从用户生物特征中直接派生秘密密钥，且无需在终端持久存储该密钥，从而避免生物特征数据库泄露风险。为了在保护生物特征隐私的同时实现单轮密钥交换，作者设计了非对称模糊封装机制（AFEM），该机制利用从生物特征秘密密钥派生的公钥封装消息，只有相近的私钥才能解封装，从而容忍生物特征采集时的噪声。论文进一步针对两类生物特征（虹膜和指纹）分别给出了两种AFEM具体实例，并对其安全性进行了分析，通过大量实验展示了BAKE的性能表现。整体上，该研究为安全消息应用提供了一种将用户身份与密钥绑定、同时兼顾隐私和效率的新思路。