该论文研究了训练无关（training-free）的参考式合成图像溯源方法，即通过将待检测图像与已知生成源的参考图像进行比较来识别其来源。此类方法无需针对新生成器重新训练分类器，仅需添加特定来源的参考即可扩展，具有可扩展性强的优点。然而，其性能依赖于两个耦合因素：用于比较的表示空间（representation space）以及源特定参考的构建方式。目前这两者之间的相互作用尚未被充分探索。本文使用现成的预训练表示（CLIP和DINOv2的不同网络层）以及三种参考选择方法（任意参考、语义对齐参考、基于重合成的参考）进行了受控分析。实验发现，溯源准确度在中间层表示达到峰值，表明生成器判别性特征在强语义抽象主导之前更易获取。中间层表示并非完全语义中性，因此参考选择至关重要：语义约束的参考可减少查询-参考不匹配，尤其在参考数量有限时提升性能。重合成参考在参考极少的场景下最有效，而语义对齐参考在中等参考池规模时提供更好的准确度-成本权衡。研究结论指出，训练无关的参考式合成图像溯源应理解为一个系统问题，涉及图像比较的位置、参考集的构建方式以及可用参考数量三者之间的交互。本文适合图像取证、AI生成内容检测领域的研究者和工程师阅读。