在当前的AI领域，自称“自研新模型”的中小平台如雨后春笋般涌现，但其中不乏以套壳主流模型为手段的虚假宣传。这类平台通过调用大模型接口、更换界面包装，伪装成独立研发的成果，普通用户难以辨别真伪。针对这一乱象，布拉格经济大学研究员托马什·布鲁克纳提出了一种颠覆性的解决方案：仅需一个Token的输出，即可识别模型真实身份。
布鲁克纳在论文《One Token Is Enough》中详细阐述了FIT-Print识别方法。该方法通过向165个AI模型重复发送“生成1到100的随机数”指令，记录30次输出的数字分布。实验结果显示，不同模型的输出呈现显著差异且高度稳定：GPT-4o的回答集中于42、37、57三个数字；Claude Sonnet 5频繁输出47；Llama 3.3的答案多数为53；而Qwen3-Max的30次回答竟全部为42。这种独特的输出模式被布鲁克纳定义为“行为指纹”。
进一步验证表明，AI模型的“行为指纹”具有跨任务一致性。在随机颜色、动物、城市等10类任务中，模型输出的概率分布始终保持独特模式。布鲁克纳解释，这种特征源于模型训练数据、架构设计、参数权重及优化策略的综合作用，即使经过微调或量化压缩，核心特征仍会保留。相比之下，套壳平台仅能修改界面或过滤内容，无法改变底层模型的输出概率分布。
实验数据为该方法提供了有力支撑。在40个任务（涵盖4种语言）的完整测试中，模型识别错误率仅为7.3%；即使仅使用8个任务，错误率也控制在11%以内。这意味着用户无需专业工具，仅需通过简单交互即可验证模型真实性。例如，向疑似套壳平台索要随机数，若输出呈现异常集中趋势，则极有可能为转接主流模型的“换皮”产品。
这一发现对AI行业监管具有重要启示。随着模型套壳现象泛滥，技术手段的介入成为必要手段。布鲁克纳的方法不仅为普通用户提供了自查工具，也为开发者识别模型盗版提供了新思路。目前，该研究已引发学界关注，其低成本、高效率的特性或将成为未来模型认证的标准参考。
