面对开源平台层出不穷的“换皮”模型，如何有效证明自己的原创成果？一项新研究提出了一种AI模型“血统鉴定”技术，通过分析模型微调过程中的知识演化轨迹，为模型血缘关系提供了高置信度的量化证据，有望解决AI版权归属的难题。
智能速览
AI模型“换皮”抄袭泛滥，缺乏有效的血缘认证工具。
新方法将微调过程类比为生物进化，追踪知识基因变化。
通过计算知识向量的余弦相似度，相似度超0.7即可认定血缘。
该技术在跨三代微调中识别率达99%，且能抵御剪枝等攻击。
研究成果已开源，为AI版权保护提供了实用新工具。
精华内容
传统的模型比对方法为何会失灵？这项新研究又是如何另辟蹊径，实现对AI模型血统的精准追踪？其核心在于对知识演化的独特解读。
血统认证之困
开源社区涌现大量微调模型，但仅靠人工标注依赖关系，难以应对模型“改头换面”式的抄袭。曾有研究团队遭遇，其内部67B模型与HF热榜模型95%效果重合，反被对方举报抄袭，却苦于缺乏平台认可的量化证据来证明原创。这种场景凸显了现有认证机制的巨大漏洞。
传统方法的局限
传统的模型相似性判断方法存在明显短板。单纯比对网络结构，一旦模型经过剪枝等操作便会面目全非；依赖公开测试集评估，则可能因数据分布漂移导致结论不可靠；而复杂的反向工程不仅耗时耗力，甚至可能长达数月，无法满足快速鉴定的需求。
血统指纹技术
该研究创新性地将模型微调过程类比为生物进化，把模型知识比作基因，参数比作染色体。技术核心是参数化微调过程中“遗忘”与“新增”的全部知识，并将变化的参数重建为一个“进化小模型”。通过将知识向量化，计算父模型知识与子模型保留知识的余弦相似度，从而量化血缘关系。在128维空间中，相似度超过0.7即可被视为强有力的血缘证据。
实测性能表现
该技术的实测表现十分突出。在跨越三代微调的测试中，识别准确率达到99%，误判率为0%。即使面对50%权重剪枝和知识蒸馏等旨在隐藏血缘的攻击，其真正正例率（TPR）依然保持在0.9以上。此外，该技术在Llama-3、Qwen、Phi、Gemini等主流模型生态间实现了零样本迁移，假正例率（FPR）低于3%。
这项“血统指纹”技术为AI模型版权保护提供了一种全新的、强有力的量化工具，让模型的“身世”有据可查。随着技术的开源与应用，它或将重塑开源社区的信任生态，但未来AI版权的界定与保护，又将面临哪些新挑战呢？
关键评论
这项工作与模型指纹和LLM DNA等领域高度相关，能在这个方向做出顶尖成果非常不易。
有研究者引用该成果，成功解决了审稿人对自身论文中一项假设的质疑。
