审计匿名 AI 模型：用于黑盒身份验证的四阶段协议

2025--2026 年的 AI 市场出现了一波隐身发布：前沿模型以代号匿名上线开发者平台。对于用户而言，身份决定数据处理条款、供应链风险和能力预期。针对匿名模型的黑盒身份验证，目前不存在经过验证的方法论：从业者清单缺乏准确性证据，而自我标识在设计上就不可信。我们提出一个适用于 API 提供服务模型的四阶段取证审计协议。Stage 0 通过 Internet Archive 的归档平台快照重建发布时配置，揭示预览版与生产版之间的偏移。Stage 1 将配置特征（上下文、输出上限、推理、模态）与平台目录进行指纹比对。Stage 2 使用跨长度差分测试 tokenizer 身份，以排除短提示碰撞。Stage 3 通过行为探针进行佐证。我们在 10 个已知身份的发布版本上测试声明一致性（7 个完全一致、2 个精度差异、1 个部分一致、0 个反向），而不是在匿名条件下进行端到端识别。该识别方法在一个旗舰案例上得到前瞻性验证：其 2026-08-23 的分析指向 GLM-5.3 版本线，而官方揭晓证实了这些系列和版本线推断（部署变体并未事先断言；揭晓后 Flash 与之相符），以及 3 个仅进行 Stage 0 的案例，在这些案例中该协议给出了分级假设或选择不猜测。补充材料提供了一个仅使用标准库的实现。