FNF：大型语言模型的功能网络指纹

大型语言模型 (LLM) 的开发成本高昂且具有显著的商业价值。因此，防止未经授权的抄袭开源 LLM 并保护开发者的知识产权已成为关键挑战。本文提出了功能网络指纹 (FNF)，这是一种无需训练、样本高效的方法，用于检测疑似 LLM 是否源自受害模型，基于其功能网络活动之间的一致性。我们表明，尽管不同规模或架构的模型在功能网络中呈现高度一致的神经活动模式，但这些模式在多样化的输入样本上保持一致。相比之下，独立在不同数据或不同目标上训练的模型未能保持这种活动对齐。不同于常规方法，FNF 只需少量样本即可验证，能够保留模型实用性，并且对常见模型修改（如微调、剪枝和参数置换）以及跨架构和维度的比较具有鲁棒性。因此，FNF 为模型所有者和第三方提供了一个简单、无侵入且有效的工具，用于保护 LLM 的知识产权。代码已公开于 https://github.com/WhatAboutMyStar/LLM_ACTIVATION。