Fingerprinting Multimodal Large Language Models
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
#model-fingerprinting
共收录 7 条相关情报。
← 返回所有主题Beyond QA Matching: Perturbation-Response Fingerprinting via Probability Distributions for Large Language Models
本文针对大语言模型（LLM）在指令微调、专用化、量化等变换后难以进行细粒度来源追溯的问题，提出了一种无需训练的模型指纹方法 BReF（Perturbation-Response Fingerprinting）。BReF 的核心思想是：对于四
The Shape of Ownership: Verifying LLM Provenance through Semantic Structures
本文针对大型语言模型（LLM）在再分发、适配和透明API服务场景下所有权难以验证的问题。由于模型可能被微调、量化或通过黑盒API提供服务，传统的基于内部权重或部署记录的验证方式不再可靠，因此需要一种可通过黑盒交互观察的行为签名。现有黑盒指纹
Fingerprinting Text-to-Image Diffusion Models via Collapsed Generation
该论文针对专有文本到图像扩散模型的知识产权（IP）保护问题，提出了一种基于“塌缩生成”（collapsed generation）现象的非侵入式模型指纹识别框架。随着此类模型以托管服务和可下载检查点形式分发，模型泄露、复制或未经授权的微调纠
Stemma: Induced Decision Regions Reveal LLM Provenance
该论文研究了大语言模型（LLM）的来源追踪（provenance testing）问题，即判断一个待检模型是否与某个源模型属于同一训练或开发谱系。现有黑盒方法大多依赖于模型输出文本的表面特征，但这些特征在模型经过微调、适配或部署环境变化时容
Efficient, Robust, and Anti-Collusion Fingerprinting of Image Diffusion Models
本文提出了一种针对文本到图像（T2I）扩散模型的高效、鲁棒且抗合谋的模型指纹识别方法。现有模型指纹技术通过向生成图像嵌入用户特定标识符来保护知识产权，但普遍存在一个未探索的系统性漏洞：它们缺乏对抗合谋攻击的鲁棒性。合谋攻击中，多个攻击者联合
KBF: Knowledge Boundary as Fingerprint for Language Model and Black-Box API Auditing
本文提出了一种名为 KBF（Knowledge Boundary as Fingerprint）的低成本黑盒审计协议，用于检测大型语言模型（LLM）API 中模型替换或混合路由攻击。在 LLM 生态中，转售 API 和中间商可能欺诈性地将用