TokenPrint：用于语言模型溯源的校准token空间指纹

确立语言模型的溯源信息——包括其基础检查点及可能的训练分布重叠——是仅靠元数据无法解决的治理难题。我们提出一种免训练指纹：用250个固定知识探针引出后期隐藏状态的top-k词表投影，再对解码后的token字符串计算Jaccard重叠进行比较。我们在来自九个家族、具有已记录关系的32个开放权重模型（0.6B–32B）上评估该方法。（1）相似度阶梯大体符合模型亲缘关系：在相同数据上独立训练的模型原始得分为0.48（词表校正后0.35），其次是共享基座的微调模型（0.39/0.33）、同一开发者的近亲模型（0.38/0.28），以及没有已记录关系的模型（0.22/0.17）。这一相同数据信号在三家机构、两种分词器家族和两类架构间持续存在，并在训练最初1%内、可测任务能力出现之前就已产生，表明共享训练数据的贡献超越了能力趋同。（2）作为最近邻式的谱系检索方法，该指纹对全部五个R1蒸馏模型都将已记录的精确基座排进前两位候选（平均排名1.8，MRR 0.60），其中包括一个从粗粒度元数据无法识别的数学特化基座。（3）深度消融显示谱系组判别力随靠近输出分布而增强，AUC从四分之一深度的0.72升至输出处的0.90；仅用前5个输出token仍保持AUC 0.87。（4）指纹在量化下保持稳定：int8下Jaccard相似度为0.92，int4下为0.82–0.85，而校准池中的最大跨模型相似度为0.81。我们发布探针、代码和指纹。