你花钱买的 Claude Sonnet,可能只有前四轮是真的。
转售 API 的中转商有一种很难抓的省钱操作:对话前几轮老老实实转发给正版模型,等上下文变长、计费大头来了,再悄悄换成便宜替身。因为大模型 API 无状态,客户端每次调用都要重发全部历史——论文数据里,一段八轮对话的第 5–8 轮占掉全部输入 token 的 79%,第 4 轮后切换可省 52%–61% 的账单。按论文附录价目,Claude Sonnet 5.5 每百万 token 输入 2.00 美元、输出 10.00 美元;同厂替身 Claude Haiku 5.5 只要 0.10/0.50 美元,价格是前者的二十分之一。
替身会「学会」正主的腔调
南洋理工大学 Zailong Tian 的单作者预印本(arXiv:2611.18104,https://arxiv.org/abs/2611.18104)给出核心发现:模型指纹会传染。当一个模型接续另一个模型开头的对话,它的回复会向前任的指纹移动——神经归因分类器分给「前任作者」的 logit 上升 6.52。实验用 200 条 WildChat 种子展开八轮对话:前四轮由宣称的正版模型作答,后四轮交给替身。
后果是被动文本检测大面积失灵。「这条回复不是宣称的那个模型」的检出率:DeepSeek V4.1 Flash 顶替 Sonnet,从 0.97 跌到 0.72;同厂降级 Haiku 顶替,从 0.87 跌到 0.54;分类器从未见过的 MiniMax M3 顶替,从 0.97 跌到 0.55。想靠补数据重训?只对见过的替身有效(0.72 修到 0.83),同厂降级几乎修不动(0.54 到 0.62),没见过的原样不动(0.55)——而现实里的中转商,不会预告他换成了谁。
传染的是文风,不是内容
预注册的机制实验把通道钉在「风格」上:让第三方改写器复述前四轮,能消掉大部分位移;把同样内容改写成第三个模型的文风,替身就被拉向那个第三模型(+1.96 logit)——继承的是历史的写法,不是文本本身。显式 markdown 格式是第二通道,占同厂降级位移的 63%。影响还是方向性的:仅凭替身的回复,在十个模型里猜中历史作者的概率是 0.30(瞎猜 0.10);传染到第 6 轮后仍在(位移 6.24);也不是逐字抄袭——DeepSeek 的回复里只有 1.3% 的 8-gram 在历史中出现过。「历史会因果地改变后续回合」并非孤证:另一支团队九月的预印本(arXiv:2609.05882,https://arxiv.org/abs/2609.05882)用干预实验得到同样结论,只是那边看任务表现,这边看身份信号。
诚实的模型也会被冤枉
更麻烦的是反向失败。低熵探针(「抛个硬币」式的随机数提问)不怕伪装,替身全都会被抓;可拿新鲜对话校准的阈值去审长对话,诚实模型先被打成替身:Gemma-3-27B 被误标的比例高达 1.00,MiniMax 0.53、Haiku 0.34、Sonnet 0.28;标准的 MET 等同性检验对全部九个测试模型都给出拒绝。原因朴素——模型自己的答案在长上下文里会漂:Gemma 的「随机数字」从 3(出现率 94%)漂到 7(77%),Haiku 的「随机整数」干脆坍缩到 37。直接问「你是谁」更没用:DeepSeek 在 64% 的新鲜对话里自称 ChatGPT。
解法:让参考跟历史走
论文给出的审计方案 Lineup 思路朴素:审计每一轮时,把真实历史连同该轮请求发给官方正版模型,采 4 条参考回复,给被审回复在参考里排位。中转商诚实时,回复与参考可交换,排位均匀,假阳性率由构造保证,不需要拟合阈值。闭源模型上的预注册结果:诚实误报率 0.056,低于预注册上界 0.10;六个替换对、四轮审计内抓到 0.81;成本是 16 次官方参考调用,Sonnet 约 0.45 美元、Sol 约 0.12 美元。本地开源代理上检出率 0.89–0.95;换成 MMD 统计的变体,在闭源模型上四轮全中。弱点也有:知道评分函数的中转商可以用 best-of-8 采样把检出率从 0.90 压到 0.78,所以评分函数要保密;参考必须与被审回复同时采样——隔两到四天采的参考,会把 24 个诚实 Sonnet 会话里的 3 个误判掉。
所以呢
这篇论文真正改写的,是一个很少有人明说的默认假设:指纹不是「模型」的属性,而是「模型+对话历史」的属性。对审计方,参考样本必须与被审对象共享同一段历史、同一段时间,这比任何花哨的分类器都重要;对普通用户,下次买折扣 API 中转时不妨想一想——你付费买的那把「声音」,可能从第 5 轮起就不是原来的了。论文的伦理声明也坦承,这些发现可能帮中转商把替换藏得更深,所以把不依赖替身识别的审计一并公开。攻防的下一轮,大概就从「同历史」三个字开始。