为何静态指纹会遗漏微调的全貌
大多数谱系检测方法会比较模型架构或权重空间的几何结构，但这只能捕捉到某一时刻的快照。2026年一项关于LLM“生物特征”的研究发现，谱能量——即权重的整体幅度模式——能够可靠地区分独立训练的模型，但无法区分那些共享基础模型后通过微调分化的模型[4]。要捕捉这些更细微的差异，你需要使用子空间对齐，它关注权重的方向性几何结构[4]。因此，仅检查静态相似性的测试可能会错误地得出两个模型无关的结论，而实际上它们通过微调共享着同一谱系。
另一篇2026年的论文认为，真正的谱系关乎微调过程中知识演化与参数修改的联合轨迹[1]。他们提出利用模型编辑来量化参数层面的变化，进而验证知识向量在不同模型间的算术一致性[1]。这表明，忽视训练过程中知识演化方式的谱系测试，将遗漏定义谱系的那一动态维度。
数据溯源盲区
模型溯源检测通常聚焦于模型本身，但这样做可能会忽略塑造模型的数据。2024年一篇关于AI驱动数据溯源的研究论文强调，追踪和验证数据谱系至关重要，尤其是在医疗和金融领域[2]。该研究指出，系统必须在处理速度与准确性之间取得平衡——更快的处理提升了医疗领域的准确性，但在金融领域却增加了误报率[2]。对语言模型而言，这意味着若溯源测试不考虑训练数据的来源，就可能遗漏关键影响因素，例如模型是否基于有偏见或专有的数据训练而成。
这是一种不同于模型间关系的谱系类型。虽然权重空间指纹可以告诉你两个模型是否共享同一个基础，但它们无法告诉你该基础中包含了哪些数据。2024年的研究强调，数据谱系具有领域特异性，需要量身定制的解决方案[2]。因此，全面的谱系验证需要结合模型层面和数据层面的信号。
当谱系追踪不完整或过于庞大时
现实世界中的数据血缘关系是杂乱无章的：训练流水线复杂，追踪记录也常常不完整。Meta 的统一血缘系统（ULS）在 2025 年的一篇论文中有所描述，它通过拼接不完整的血缘追踪记录，并处理包含数十亿节点和边的血缘图来解决这一问题 [3]。这表明，在大规模场景下，血缘检测不能依赖完美的记录——它必须进行推断并填补空缺，而这会引入不确定性。
对于语言模型而言，这意味着如果某些中间步骤未被记录，谱系测试可能无法揭示完整的开发链条。ULS还支持自定义精确率与召回率，也就是说，你可以在捕捉所有可能的谱系关联与避免虚假关联之间进行权衡[3]。这种权衡本身也是一种局限：以精确率为优先的测试可能会遗漏真实的谱系关系，而以召回率为优先的测试则可能误标出虚假的关联。
关于这些来源
这个回答基于4项研究（2项经同行评审，2项为预印本），发表于2024年至2026年间，其中4项为2024年或之后发表。这些研究是从4项通过质量筛选的研究中选出的最相关成果，而这些研究又源自从超过5亿篇论文的数据库中检索到的39篇文献。
本文引用的文献
通过微调轨迹与一致知识演化来证明模型血统
提出了一种谱系认证框架，利用模型编辑与知识向量化来验证知识演化与参数修改的联合轨迹，并在分类器、扩散模型及大语言模型上进行了测试。
AI驱动的数据溯源：追踪与验证数据血缘
在一项针对医疗和金融领域AI驱动数据溯源的研究中发现，处理速度的提升能提高医疗领域的准确性，但在金融领域却会增加误报率，这凸显了针对特定领域进行调优的必要性。
统一谱系系统：大规模追踪数据来源
描述了Meta的统一血缘系统，该系统通过包含数十亿节点和边的图来大规模追踪数据流，并利用相关技术拼接不完整的血缘轨迹，同时定制精确率与召回率。
谁构建了这个模型？通过权重空间中的频谱指纹追踪大语言模型的谱系
在对110多对开源权重LLM的对比中，我们发现权重空间中的谱能量能够可靠地区分独立模型，而子空间对齐则需要对密切相关的模型进行细粒度区分时使用。