AI說不出的隨機數，成了鑒別套殼大模型最好的照妖鏡。

　　 昨天看到了一篇論文，特別有意思，讓我連夜讀完了。

　　 論文叫《One Token Is Enough》，翻譯過來叫《一個Token就夠了》，7月11號剛掛到arXiv上，來自布拉格經濟大學的研究員托馬什·布魯克納。

　　 這哥們為了解決被一些API中轉站掛羊頭賣狗肉的行為（比如說是Opus 4.8結果賣你GLM 5.2，怒掙數倍利潤，很多使用者一時還真分辨不出來），然后做了一個有趣實驗，他對165個AI模型，反復問同一個無聊透頂的問題。

　　 就是：

　　 “給我一個1到100的隨機數。”

　　 就像這樣，比如我去試了一下，Claude Fable 5的回答，是73。

　　 然后，每個模型問了30遍。

　　再把每個模型的回答統計了一下分布。

　　結果出來以后，太好玩了。

　　 GPT-4o，30次回答里最愛說42、37和57，這三個數字占了它大半壁江山，其他數字只是偶爾出現。

　　 Claude Sonnet 5更離譜，30次回答里瘋狂輸出47。

　　 Llama 3.3，則多數是53。

　　 然后最離譜的是Qwen3-Max，30次，全部是42，一次都沒有變過，無一例外。

　　 隨機數嘛，按我們正常對這個東西的理解，那顧名思義，它應該是隨機的，1到100，每個數字被選中的概率應該是1%，分布應該是純粹的均勻鋪開。

　　 但實際上這些模型的回答分布，其實完全可以說，跟隨機這兩個字，屁關系都沒有。

　　 而且非常好玩的是，每個模型的執念都不一樣。

　　 GPT-4o癡迷42和37，Claude偏愛47，Qwen死守42，Llama鐘情53。

　　 就好像每個AI的靈魂深處，都藏著一個思想鋼印，只要讓你隨便說個數字，你腦子里第一反應都是那個數字。

　　 而且不光是數字，布魯克納還測了隨機顏色、隨機動物、隨機城市、拋硬幣等等，10類任務，總共往OpenRouter上發了32萬6千條請求。

　　 結論都是一樣的，對于模型而言，根本沒有什么隨機，一切都是確定的，就像有一個無形的大手，控制了他們所有的回答。

　　 當然，如果是了解AI比較多的朋友，可能到這里，會不屑一顧，說AI不會真隨機，這事大家不是早就知道了嗎，有啥可大驚小怪的啊。

　　 確實沒毛病，2023年就有人做過LLM隨機數偏差的實驗，2024年也有人研究過LLM拋硬幣的序列偏差，發現模型不僅不隨機，還表現出跟人類類似的模式偏好，只是更極端。2025年更是有人已經發現不同模型有不同的幸運數字，跟語言和文化背景還有關，這些都是已知的學術發現。

　　 但是大家，都把這些發現，歸為了模型的一種特質，一種缺陷，然后就沒有然后了。

　　 所以說，為啥 布魯克納這哥們是個天才呢，他提出了一個很有意思的想法，如果這些所謂的缺陷，所謂的思想鋼印，多個組合起來，那豈不是，就成了每個模型的身份證了？？？

　　 那每個模型如果有了自己的身份證，我們是不是就不需要被那些中轉站騙了？我們是不是可以讓模型輸出所謂的多個隨機的答案，來驗證這個身份證，看看中轉站有沒有偷偷在我們買的模型里摻水呢？

　　 于是，在一系列的實驗以后，這篇論文面世了。

　　 布魯克納管這個叫Behavioral Fingerprint，行為指紋。

　　 就像每個人的指紋獨一無二一樣，每個模型在這些隨機問題上的概率分布也是獨一無二的。

　　 只需要模型輸出一個 Token，就夠鎖定你是誰。

　　 這玩意，真的對現在如此泛濫的中轉站、或者所謂的降智判斷，太有用了。

　　大家也都知道，國內用Claude、GPT這些模型，很多人走的都是中轉站，個人用戶掛魔法自己搞個訂閱還好說，但是對公司層面就更沒得選了，不可能給幾十上百號人一個個注冊海外賬號，基本都是自建或者接第三方中轉，統一走API。

　　上次Anthropic大面積封號的時候我也聊過這事。

　　但這個生態里，有一個幾乎所有人都在默默忍受的問題。

　　你付了Claude Opus 4.8的錢，你收到了一段回復。

　　但這段回復到底是Opus 4.8生成的，還是中轉站偷偷給你換成了GLM-5.2甚至更便宜的貨，你根本無從驗證。

　　這個事是有實錘的，今年3月份的時候，在X上還鬧得沸沸揚揚。

　　那時候，一群來自CISPA的研究人員就審計了17家中轉API。

　　他們用能力測試、統計檢驗和一套叫LLMmap的模型指紋技術，真的抓到了多個疑似偷換模型的端點。

　　有人賣給你GPT-5，指紋卻更像GLM-4或者DeepSeek-V3，有人賣DeepSeek Reasoner，背后跑的卻像普通DeepSeek Chat。

　　而且這事之所以這么普遍，純粹是經濟結構決定的。

　　推理成本跟模型大小幾乎線性掛鉤，700億參數和80億參數的模型推理成本差五到十倍，中轉站把你付費的大模型悄悄換成小模型或者量化到極致的版本，你在日常對話、翻譯、簡單問答這些場景下根本感知不出區別。比如你問今天天氣怎么樣，70B和8B給你的回答可能一模一樣。

　　省下來的差價，就是純利潤。

　　只有在復雜推理、長文寫作、代碼這些場景下差距才會冒出來，但那時候錢已經交了。

　　所以如何來辨別中轉站給你的API到底有沒有摻水，或者看看你買的API，到底是不是一個真正對應模型的API，就成了剛需。

　　但問題在于，CISPA這套LLMmap的方法依然很重。

　　你要準備專門的測試題，收集完整回答，建立模型數據庫，還要訓練分類器，一般人根本用不起來。

　　布魯克納真正牛逼的地方就在這里。

　　他把這套復雜的模型驗明正身，壓縮成了一件近乎荒誕的小事。

　　 就問AI，給我一個隨機數，然后數它的回答。

　　而且這個方法有一個特別精妙的地方，就是中轉站拿它完全沒辦法。

　　傳統的對抗性探針有個致命弱點，就是Prompt太特殊了，你發一條精心構造的、一看就不像正常對話的請求過去，中轉站一旦發現你在探它，臨時給你切成真模型就完了。

　　但“說一個1到100的隨機數”這種話，放在任何聊天記錄里都毫不起眼，跟你問天氣預報沒任何區別。

　　而且布魯克納的探測任務都是語義層面的，“說一個隨機數”“說一個隨機顏色”，這類問題可以用無窮多種方式改寫、翻譯，你用英文問和用阿拉伯語問測出來的是同一個模型的不同切面，但每個切面都帶著它的身份信息。

　　他把這整套方法設計成了一個類似生物特征識別的協議，就類似于你用指紋解鎖手機一樣，先在可信的官方API上采集一份參考指紋，然后對你要驗證的端點采集待驗指紋，兩份之間算一個Jensen-Shannon散度（衡量兩個概率分布差多少的指標），距離小于閾值就認證通過。

　　用全部40個探測單元跑完，驗證的準確率能到什么程度呢。

　　大概相當于，你拿兩份指紋放在它面前，一份是真的一份是冒充的，它判斷錯誤的概率只有7.3%，就算只用8個單元（也就是大概120條請求），錯誤率也只有10.6%左右。

　　這個跟上文我們提到的LLMmap的準確性已經差不多了，但是要簡單太多了。

　　而且165個模型跑完以后，布魯克納發現了一個相當勁爆的案例。

　　一個叫Palmyra X5的端點，在OpenRouter上以某公司自研旗艦的身份售賣。

　　但它的行為指紋，跟通義千問的開源模型Qwen3-235B，幾乎一模一樣，差距只有0.141。

　　布魯克納的系統會給任意兩個模型的指紋算一個相似度分數，數字越小代表越像。

　　同一個模型在兩個不同供應商那里各部署一套，因為服務器環境不一樣，兩邊的指紋也不會100%一致，這種自己跟自己比的正常波動大概是0.140。

　　Palmyra X5跟Qwen3-235B的差距是0.141，和一個模型自己跟自己比的波動幾乎一模一樣。。。

　　這下事情就非常的尷尬了。。。

　　布魯克納在論文里措辭很克制，說這只是統計性觀察，不是對意圖的指控。

　　但是，數據和代碼全部公開，任何人都可以復現。

　　網址在此：https://zenodo.org/records/21278557

　　整套東西，非常有意思，而且不止數字，還有顏色等等等等，這個擴展性和上限，我覺得極高。

　　模型的隨機并不隨機，給了這種行為指紋非常值得探索的空間。

　　我覺得比審計結果本身更好玩的，是一個更底層的問題。

　　AI為什么就是不能生成真正的隨機數。

　　之前幫影視颶風弄了個視頻，就聊過這個話題，在AI視頻里拋硬幣，其實概率根本不是55開，是73開。

　　在這個布魯克納的測試里，也是一樣的。

　　1到100的隨機數這個任務的標準答案，所有人都知道，應該是均勻分布，100個數字每個被選中的概率嚴格1%。

　　但165個模型，一個都沒做到。

　　論文里用了一個叫熵的指標來衡量回答到底有多隨機，應該有無數人見過。

　　這玩意你可以簡單理解成不可預測程度，數字越高代表越難猜，越接近真正的隨機。如果1到100的分布是完全均勻的，熵應該是6.64 bit，也就是你幾乎沒法猜到下一個數字是什么。

　　但165個模型的中位數只有1.0 bit，差了五六倍。

　　AI回答隨機數的時候，信息量只有真隨機的六分之一，高度集中，高度可預測，高度非隨機。

　　其實這個事，心理學和行為經濟學研究了很多年。

　　不光AI，人類也不會生成隨機數。

　　有一個經典實驗，讓一群人閉上眼睛說一串隨機數字，結果呢，發現人類非常強烈的傾向避開重復、避開相鄰數字、偏好奇數。

　　你讓100個人說一個1到10的數，7被選中的概率遠遠高于10%，因為人腦覺得7看起來比較隨機，而5和10看起來不夠隨機。

　　大家可以回想一下，自己是不是這樣。

　　我們看到的絕大多數隨機，可能只是隱藏因果關系在認知中的投影。

　　AI面臨的是一模一樣的困境，只不過原因不同。

　　真正的隨機，要求你是一張白紙。

　　但大模型恰恰是人類有史以來造出來的信息密度最高的非白紙。

　　訓練數據是數十萬億的token，幾千年文明的總和。

　　每一個權重參數都編碼著某種規律、某種偏好、某種從語料里沉淀下來的肌肉記憶。

　　所以你讓它隨便說一個數，它根本沒法真正隨便。

　　它只能從自己見過的所有文本里，找到一個最像隨機數的答案。

　　42為什么被那么多模型偏愛？

　　因為它是《銀河系漫游指南》里“生命、宇宙以及一切問題的終極答案”。

　　7為什么總被人類選中？

　　因為它在宗教、文化、文學和日常語言里，被反復賦予神秘、幸運和特殊的意義。

　　37、47、53這些數字為什么頻繁出現？

　　因為它們是奇數，是質數，不圓整，不對稱，看上去更像一個沒有經過思考、隨手蹦出來的數字。

　　可恰恰因為所有人都覺得它們更隨機，它們才變得最不隨機。

　　大模型只不過把人類潛意識里的這種偏見，壓縮、放大，然后寫進了自己的概率分布里。

　　我們總覺得模型是一個冷冰冰的數學機器，每次回答都來自概率采樣，充滿不確定性。

　　但當你把幾十萬次回答遍歷回測，把那些看似隨意的選擇疊加在一起，你會發現它其實一點都不隨意。

　　它們也有自己的偏愛，有自己的執念。

　　參數可以被量化，系統提示詞可以被修改，名字可以被重新包裝，外面甚至可以套上一層完全不同的殼。

　　可它在億萬次訓練中形成的概率習慣，依然會從一個小小的Token里漏出來。

　　愛因斯坦說過，上帝不擲骰子。

　　而AI，也不擲骰子。

　　它每一次以為自己在擲骰子的時候。

　　擲出來的，都是自己。

　　>/ 作者：卡茲克

　　>/ 投稿或爆料，請聯系郵箱：wzglyay@virxact.com