LLM API 中的高效变更检测
机器学习
2026-05-05 v2 密码学与安全
摘要
LLM 中的远程变更检测是一个困难问题。现有方法要么在规模化部署时成本过高，要么需要初始对模型权重的白盒访问或对 log 概率的灰盒访问。我们旨在实现低成本和严格的黑盒操作，仅观察输出 token。我们的做法依赖于我们称为边界输入（Border Inputs）的特定输入，后者存在多个输出 top token。从统计学角度来看，最优变更检测取决于模型的雅可比矩阵和输出分布的 Fisher 信息。分析这些量在低温 regime 下的行为表明，边界输入可实现强大的变更检测测试。基于这一洞察，我们提出了黑盒边界输入跟踪方案（B3IT）。广泛的现场和体内实验表明，针对非推理测试端点轻松找到边界输入，能够实现与最佳可用灰盒方法持平的性能。B3IT 在现有方法基础上降低了 30 倍成本，同时在严格的黑盒环境中运行。
引用
@article{arxiv.2602.11083,
title = {Token-Efficient Change Detection in LLM APIs},
author = {Timothée Chauvin and Clément Lalanne and Erwan Le Merrer and Jean-Michel Loubes and François Taïani and Gilles Tredan},
journal= {arXiv preprint arXiv:2602.11083},
year = {2026}
}
备注
ICML 2026