AI随机数生成不随机？布鲁克纳研究揭示模型行为指纹

当前AI API市场中，不少第三方中转站存在偷换模型的乱象：用户付费购买了旗舰级模型服务，实际拿到的却是更低价的小模型，比如宣传用Claude Opus 4.8，实际返回的是GLM 5.2，这类行为能让中转站获得数倍的利润，而普通用户很难分辨真伪。针对这个痛点，布拉格经济大学的研究者托马什·布鲁克纳在2026年7月11日发布了一篇名为《One Token Is Enough》（即《一个Token就够了》）的学术论文，提出了一种极简的模型验证方案。

布鲁克纳的实验设计非常巧妙：他针对165个不同的AI模型，反复询问同一个简单问题——“给我一个1到100的随机数”，每个模型重复提问30次后，统计其回答的数字分布。

实验结果出人意料又在情理之中：所有模型的回答都完全不符合真正的随机分布，每个模型都有自己固定的“幸运数字”偏好。比如GPT-4o的30次回答中，42、37和57这三个数字占了绝大多数；Claude Sonnet 5几乎全程输出47；Llama 3.3的多数回答集中在53；最极端的是Qwen3-Max，30次回答全部都是42，没有一次变化。

不止是随机数字，布鲁克纳还拓展测试了随机颜色、随机动物、随机城市、抛硬币结果等10类任务，总共向OpenRouter平台发送了32.6万次请求，最终得到的结论一致：对于AI模型来说，根本不存在真正的随机，所有回答都被其内部的概率分布所决定，仿佛有一只无形的手在控制着输出结果。

其实早在2023年就有研究者发现大语言模型的随机数生成存在偏差，2024年的抛硬币序列实验也证实了模型会表现出类似人类的模式偏好，且程度更极端，2025年更有研究指出不同模型的专属幸运数字和其训练数据的语言、文化背景相关。不过此前学界大多将这类现象归类为模型的小缺陷，并未进一步挖掘其应用价值。

布鲁克纳的突破性在于，他将这些看似的缺陷转化为了每个模型独有的“行为指纹”——就像每个人的指纹独一无二，每个模型在这类简单随机任务上的概率分布也具备唯一标识性，仅通过模型输出的单个Token就能锁定其真实身份。

这套方案完美解决了当前API验证的痛点：此前的LLMmap等模型指纹技术需要准备专属测试题、建立模型数据库并训练分类器，门槛极高，普通用户难以使用。而布鲁克纳的方法只需要通过日常的提问就能完成验证，比如“说一个1到100的随机数”，这类问题和普通的聊天内容毫无区别，中转站无法通过识别特殊Prompt来提前替换模型，因为它完全无法判断用户是在正常对话还是在验证模型。

研究者将这套验证逻辑设计成了类似生物特征识别的协议：先在官方可信的API端点采集参考指纹，再对待验证的API端点采集待验指纹，通过计算Jensen-Shannon散度（衡量两个概率分布差异的指标）来判断两者是否匹配。当使用全部40个探测任务完成验证时，错误率仅为7.3%；即便只使用8个探测单元（约120次请求），错误率也只有10.6%，准确率和此前的专业方案相当，但操作门槛大幅降低。

在对165个模型端点的测试中，布鲁克纳还发现了一个颇具争议的案例：一个名为Palmyra X5的售卖端点，对外宣传为自研旗舰模型，但其行为指纹和通义千问的开源模型Qwen3-235B几乎完全一致，相似度分数仅为0.141——而同一个模型在不同供应商部署时，由于服务器环境差异带来的正常指纹波动约为0.140。作者在论文中仅以统计观察的口吻表述，并未直接指控存在偷换行为，但公开了全部数据和代码，任何人都可以复现这一结果。

除了实际的验证价值，这项研究还引出了一个更底层的问题：为什么AI无法生成真正的随机数？事实上，不光是AI，人类本身也无法主动生成真正的随机数字。经典的心理学实验显示，当要求一群人闭眼说出一串随机数字时，人们会下意识避开重复和相邻数字，更偏爱奇数，比如7被选中的概率远高于其他数字，这是因为7在宗教、文化、文学中被反复赋予了神秘、幸运的意义。

而像42这类被多个模型偏爱的数字，则是因为它是《银河系漫游指南》中“生命、宇宙以及一切问题的终极答案”；37、47、53等数字频繁出现，则是因为它们属于奇数、质数，看起来不圆整、不对称，更像是随手蹦出的随机数字，但恰恰因为大众普遍认为这类数字更“随机”，反而让它们成了最不随机的选择。

大语言模型的训练数据包含数十万亿Token的语料，承载了数千年的人类文明信息，每一个权重参数都编码着特定的规律、偏好和从语料中沉淀的行为模式。当被要求“随便说一个数字”时，模型根本无法做到真正的随机，只能从训练过的语料中，找到最符合“看起来像随机数”的答案。我们总以为AI的随机输出是概率采样的结果，但当我们把成百上千次的回答统计汇总后就会发现，所谓的“随机”，不过是模型自身训练偏好的外在体现。

正如爱因斯坦所说“上帝不掷骰子”，AI同样不会掷骰子——每一次它以为自己在随机选择的时候，输出的其实都是它从训练数据中习得的固有习惯。