为什么负例才是谱系检验的真正试金石
谱系验证方法如果只报告阳性匹配，就像烟雾探测器只在着火时才报警——真正能揭示其是否有效的是误报。在本文所涉论文中，最令人信服的结果是那些明确展示方法在应当说“不”时有多频繁说“不”的研究。例如，modelDNA对15个真实模型进行了测试，对照8个候选基座，其中包括13个真实亲本关系和107个困难负样本——即看起来相似但实际上并无关联的模型。在其报告阈值下，该方法实现了零误报，意味着它从未错误地将无关模型标记为亲本[1]。正是这类证据，才让谱系声明值得信赖。
同样地，AWM指纹识别方法在60对正样本和90对负样本模型对上进行了测试，并在所有六种训练后修改中实现了接近零的误报率[2]。如果没有这些负样本案例，你根本无法判断该方法是否只是在匹配所有内容。作者明确将此作为一项优势加以强调，而这正是负样本案例应当成为任何血缘验证论文核心焦点的原因。
最佳情况与典型情况证据之间的差距
精心控制的基准测试与开放权重模型混乱的现实之间存在着巨大差异。这里最优秀的研究报告了完美或近乎完美的区分——AUROC达到1.0，意味着该方法能完美区分相关模型与不相关模型[1][3]。但这是在理想条件下实现的：已知的父代关系、受控的合并操作，以及有限的候选基础模型集合。而在实践中，Hugging Face上的谱系图是自我报告的，且常常缺失——超过60%的模型完全没有记录父代信息[1]。因此，现实世界的挑战不仅仅在于检测谱系，更在于当你没有一份清晰的嫌疑名单时，依然要完成检测。
这些论文在处理负例的方式上也存在差异。modelDNA采用“硬负例”——即相似但不相关的模型——这比仅使用随机模型更具挑战性[1]。残差签名方法同样针对独立模型和蒸馏模型进行测试，并明确区分了权重血缘与行为相似性[3]。但并非所有方法都同样稳健：在试图隐藏血缘关系的“洗白”攻击下，部分基线方法的准确率会下降，而残差方法则保持不变[3]。这表明，报告负例的关键不仅在于数量，更在于这些负例的挑战性。一篇仅针对明显不同的模型进行测试的论文，其说服力不如那些针对近似模型进行测试的论文。
这对作为读者或从业者的你意味着什么
如果你在评估一篇谱系验证论文，要看三件事：测试了多少负例，这些负例有多难，以及该方法是否报告了假阳性率。一篇报告AUROC为1.0且包含107个困难负例的论文[1]，远比只展示正匹配的论文更有说服力。同样的逻辑也适用于你可能使用的任何工具——如果一个工具无法向你展示它在无关模型上的假阳性率，你就应该保持怀疑。
要点很简单：阴性案例不是脚注，而是谱系测试真正有效的核心证据。那些在论文中显著报告这些案例的研究——modelDNA 及其 107 个硬阴性样本 [1]、AWM 及其 90 对阴性配对 [2]，以及残差签名方法及其独立和蒸馏模型 [3]——才是能让你产生信心的研究。所以，没错，论文应该更突出地报告阴性案例，而作为读者，你也应该要求这一点。
关于这些来源
这个回答基于4项研究（1篇经同行评审，3篇为预印本），发表于2024年至2026年间，其中4篇为2024年或之后发表，合计被引用133次。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5亿篇论文数据库中检索到的47篇文献。
本文引用的文献
modelDNA：基于采样权重指纹的校准谱系验证与合并分解
modelDNA报告了一个包含13个正例和107个困难负例父系关系的基准测试，在其报告阈值下实现了AUROC 1.0和零假阳性，并强调诚实的弃权优于自信的错误。
AWM：面向大型语言模型的精确权重矩阵指纹
AWM在六个后训练类别的60个正样本和90个负样本模型对上进行测试，实现了接近零的误报率和完美的分类指标，为可靠的谱系验证奠定了坚实基础。
训练留痕：面向语言模型血统验证的中心化残差签名
残差签名方法能够以AUROC 1.0的准确率，将微调、LoRA合并、剪枝和量化后的衍生模型与独立模型及蒸馏模型区分开来，并且在基线方法失效的清洗攻击下依然保持稳定不变。
链式验证减少大型语言模型中的幻觉
Chain-of-Verification通过让模型独立规划并回答验证问题，减少了各类任务中的幻觉现象，但它并未直接解决溯源验证或负面案例的问题。