昨天看到了一篇论文，特别有意思，让我连夜读完了。

论文叫《One Token Is Enough》，翻译过来叫《一个Token就够了》，7月11号刚挂到 arXiv 上，来自布拉格经济大学的研究员托马什·布鲁克纳。

这哥们为了解决被一些 API 中转站“挂羊头卖狗肉”的行为（比如说的是 Opus 4.8，结果卖你 GLM 5.2，怒挣数倍利润，很多使用者一时还真分辨不出来），做了一个有趣的实验：他对 165 个 AI 模型，反复问同一个无聊透顶的问题。

就是：

“给我一个 1 到 100 的随机数。”

比如我去试了一下，Claude Fable 5 的回答是 73。

然后，每个模型问了 30 遍。

再把每个模型的回答统计一下分布。

结果出来以后，太好玩了。

GPT‑4o，30 次回答里最爱说 42、37 和 57，这三个数字占了它大半壁江山，其他数字只是偶尔出现。

Claude Sonnet 5 更离谱，30 次回答里疯狂输出 47。

Llama 3.3，则多数是 53。

最离谱的是 Qwen3‑Max，30 次，全部是 42，一次都没有变过。

随机数嘛，按我们正常的理解，那顾名思义，应该是随机的，1 到 100，每个数字被选中的概率应该是 1%，分布应该是均匀的。

但实际上这些模型的回答分布，跟“随机”两个字，基本没什么关系。

而且非常好玩的是，每个模型的“执念”都不一样。

GPT‑4o 痴迷 42 和 37，Claude 偏爱 47，Qwen 死守 42，Llama 钟情 53。

就好像每个 AI 的灵魂深处，都藏着一个“思想钢印”，只要你让它随便说个数字，它脑子里第一反应就是那个数字。

而且不光是数字，布鲁克纳还测了随机颜色、随机动物、随机城市、抛硬币等等，10 类任务，总共往 OpenRouter 上发了 32 万 6 千条请求。

结论都是一样的：对模型而言，根本没有什么随机，一切都是确定的，就像有一只无形的大手，控制着它们所有的回答。

当然，熟悉 AI 的朋友可能会不屑一顾：AI 不会真随机，这事大家不是早就知道吗？有啥可大惊小怪的？

确实，2023 年就有人做过 LLM 随机数偏差实验，2024 年也有人研究过 LLM 抛硬币的序列偏差，发现模型不仅不随机，还表现出类似人类的模式偏好，只是更极端。2025 年更是有人发现不同模型有不同的“幸运数字”，还跟语言和文化背景有关。

但大家大多把这些发现归为模型的一种“缺陷”，然后——就没有然后了。

所以为什么说布鲁克纳是个天才呢？他提出了一个非常有趣的想法：

如果这些所谓的缺陷、所谓的思想钢印，多个组合起来，岂不就成了每个模型的“身份证”？

如果每个模型都有自己的身份证，我们是不是就可以不再被中转站骗了？我们是不是可以让模型输出几个“随机”答案，来验证这个身份证，看看中转站有没有偷偷掺水？

于是，这篇论文面世了。

布鲁克纳管这个叫 Behavioral Fingerprint —— 行为指纹。

就像每个人的指纹独一无二一样，每个模型在这些随机问题上的概率分布也是独一无二的。

只需要模型输出一个 Token，就足够锁定它是谁。

这对如今泛滥的中转站、以及所谓的“降智判断”，实在太有用了。

大家都知道，国内用 Claude、GPT 这些模型，很多人走的是中转站。个人用户还能自己折腾订阅，但公司层面基本没得选——不可能给几十上百号人一个个注册海外账号，基本都是自建或接第三方中转，统一走 API。

上次 Anthropic 大面积封号的时候我也聊过这事。

但这个生态里，有一个几乎所有人都默默忍受的问题。

你付了 Claude Opus 4.8 的钱，收到了一段回复。

但这段回复到底是 Opus 4.8 生成的，还是中转站偷偷换成了 GLM‑5.2 甚至更便宜的货，你根本无从验证。

这事是有实锤的。今年 3 月，X 上就闹得沸沸扬扬。

当时，CISPA 的研究人员审计了 17 家中转 API。

他们用能力测试、统计检验和一套叫 LLMmap 的模型指纹技术，真的抓到了多个疑似偷换模型的端点。

有人卖给你 GPT‑5，指纹却更像 GLM‑4 或 DeepSeek‑V3；有人卖 DeepSeek Reasoner，背后跑的却像普通 DeepSeek Chat。

这事之所以普遍，纯粹是经济结构决定的。

推理成本跟模型大小几乎线性挂钩，700 亿参数和 80 亿参数的模型推理成本差五到十倍。中转站把你付费的大模型悄悄换成小模型或极致量化版，在日常对话、翻译、简单问答场景下你根本感知不到区别。比如你问“今天天气怎么样”，70B 和 8B 给你的回答可能一模一样。

省下来的差价，就是纯利润。

只有在复杂推理、长文写作、代码等场景下差距才会暴露，但那时候钱已经交了。

所以，如何辨别中转站给你的 API 是否掺水，就成了刚需。

但问题是，CISPA 这套 LLMmap 的方法依然很重：要准备测试题、收集完整回答、建模型数据库、训练分类器，一般人根本用不起来。

布鲁克纳真正牛的地方就在这里——他把这套复杂的“验明正身”，压缩成一件近乎荒诞的小事：

就问 AI：“给我一个随机数”，然后数它的回答。

而且这个方法有一个特别精妙的点：中转站拿它完全没办法。

传统探针的问题是 Prompt 太特殊，一看就不像正常对话，中转站一旦发现你在探测，临时切回真模型就行。但“说一个 1 到 100 的随机数”这种话，放在任何聊天记录里都毫不起眼，跟你问天气没区别。

而且布鲁克纳的探测任务是语义层面的：“说一个随机数”“说一个随机颜色”，可以用无数种方式改写、翻译。英文问和阿拉伯语问，测出来的是同一个模型的不同切面，但每个切面都带着它的身份信息。

他把这套方法设计成了一个类似生物特征识别的协议：先在可信官方 API 上采集一份“参考指纹”，再对要验证的端点采集“待验指纹”，两份之间算 Jensen‑Shannon 散度（衡量两个概率分布差异的指标），距离小于阈值就认证通过。

用全部 40 个探测单元跑完，验证准确率能达到什么程度？

大概相当于：你拿两份指纹放在它面前，一份真的，一份冒充的，它判断错误的概率只有 7.3%；就算只用 8 个单元（约 120 条请求），错误率也只有 10.6% 左右。

这已经和 LLMmap 的准确性差不多，但实现难度低了太多。

165 个模型跑完以后，布鲁克纳发现了一个相当劲爆的案例。

一个叫 Palmyra X5 的端点，在 OpenRouter 上以某公司“自研旗舰”的身份售卖。

但它的行为指纹，跟通义千问的开源模型 Qwen3‑235B 几乎一模一样，差距只有 0.141。

布鲁克纳的系统会给任意两个模型的指纹算一个相似度分数，数字越小越像。同一个模型在不同供应商处部署，因环境差异，指纹也不会 100% 一致，这种“自我比对”的正常波动大约是 0.140。

Palmyra X5 跟 Qwen3‑235B 的差距是 0.141——和一个模型“自己跟自己比”的波动几乎完全一致……

这下事情就非常尴尬了。

布鲁克纳在论文里措辞很克制，说这只是统计性观察，不是对意图的指控。但数据和代码全部公开，任何人都可以复现。

网址在此：
https://zenodo.org/records/21278557

整套东西非常有意思，而且不止数字，还有颜色等等，扩展性和上限都极高。模型的“随机并不随机”，给了行为指纹极大的探索空间。

我觉得比审计结果本身更好玩的，是一个更底层的问题：

AI 为什么就是不能生成真正的随机数？

之前帮影视飓风弄过一个视频，聊过这个话题：在 AI 视频里抛硬币，概率根本不是 55 开，而是 73 开。

在布鲁克纳的测试里，情况是一样的。

“1 到 100 的随机数”的标准答案，所有人都知道：应该是均匀分布，100 个数字每个被选中的概率严格 1%。

但 165 个模型，一个都没做到。

论文里用了一个叫“熵”的指标来衡量回答有多随机。你可以简单理解为“不可预测程度”，数字越高越难猜，越接近真随机。如果分布完全均匀，熵应该是 6.64 bit——你几乎没法猜到下一个数字。

但 165 个模型的中位数只有 1.0 bit，差了五六倍。

AI 回答随机数时的信息量，只有真随机的六分之一：高度集中、高度可预测、高度非随机。

其实这个事，心理学和行为经济学已经研究了很多年。

不光 AI，人类也不会生成随机数。

有一个经典实验：让一群人闭眼说一串随机数字，结果发现人类强烈倾向于避开重复、避开相邻数字、偏好奇数。你让 100 个人说一个 1–10 的数字，7 被选中的概率远高于 10%，因为人脑觉得 7“看起来比较随机”，而 5 和 10 看起来不够随机。

大家可以回想一下，自己是不是这样。

我们看到的绝大多数“随机”，可能只是隐藏因果关系在认知中的投影。

AI 面临的是一模一样的困境，只不过原因不同。

真正的随机，要求你是一张白纸。

但大模型恰恰是人类有史以来信息密度最高的“非白纸”。

训练数据是数十万亿 token，几千年来人类文明的总和。每一个权重参数都编码着某种规律、某种偏好、某种从语料中沉淀下来的“肌肉记忆”。

所以你让它随便说一个数，它根本没法真正随便。

它只能从自己见过的所有文本里，找一个“最像随机数”的答案。

42 为什么被那么多模型偏爱？

因为它是《银河系漫游指南》里“生命、宇宙以及一切问题的终极答案”。

7 为什么总被人类选中？

因为它在宗教、文化、文学和日常语言中被反复赋予神秘、幸运和特殊意义。

37、47、53 这些数字为什么频繁出现？

因为它们是奇数、质数、不圆整、不对称，看上去更像一个没有经过思考、随手蹦出来的数字。

可恰恰因为所有人都觉得它们“更随机”，它们才变得最不随机。

大模型只不过把人类潜意识里的这种偏见，压缩、放大，然后写进了自己的概率分布里。

我们总觉得模型是一个冷冰冰的数学机器，每次回答都来自概率采样，充满不确定性。但当你把几十万次回答叠加在一起，你会发现它其实一点也不随意。

它们也有自己的偏爱，有自己的执念。

参数可以被量化，系统提示词可以被修改，名字可以被重新包装，外面甚至可以套上一层完全不同的壳。可它在亿万次训练中形成的概率习惯，依然会从一个小小的 Token 里漏出来。

爱因斯坦说过：上帝不掷骰子。

而 AI，也不掷骰子。

它每一次以为自己在掷骰子的时候，掷出来的，都是自己。

/ 作者：卡兹克