图像自回归模型（Image Autoregressive Models，简称 IAR）近年来在视觉内容生成方面展现出引人注目的能力。它们借鉴大型语言模型中的“下一词元预测”范式，实现了照片级的画质与快速的图像合成。随着这类模型日益普及，研究者开始关注一个关键问题：如何可靠地追溯一张 IAR 生成的图像究竟来自哪个源模型。这种数据溯源能力对于阻止虚假信息传播、识别欺诈行为以及追溯有害内容的来源至关重要。
Bihe Zhao 等六位作者提交的论文《Data Provenance for Image Auto-Regressive Generation》针对这一问题提出了新的思路。该论文于 2026 年 6 月 22 日提交至 arXiv，编号为 arXiv:2606.28386v1，属于计算机视觉与模式识别（cs.CV）分类，同时涉及人工智能（cs.AI）领域，并已被 ICLR 2026 接收。
研究团队发现，尽管 IAR 生成的图像在视觉上往往与真实图像几乎无法区分，但其生成过程会在输出中引入具有特征性的模式。这些模式可作为可靠的溯源信号，用于判断图像是否由自回归模型合成。基于这一观察，作者提出了一个事后（post-hoc）框架，能够稳健地检测此类模式，从而实现溯源追踪。
该框架的一个重要特点是，它无需修改生成过程或生成输出。这意味着它可以应用于此前水印方法无法使用的场景，例如已经发布但未附加任何标记的生成内容，以及本身未集成水印功能的模型。作者在多种不同的 IAR 模型上验证了该方法的有效性，展示了其在自回归图像生成领域进行稳健数据溯源追踪的巨大潜力。
从时间线来看，该论文于 2026 年 6 月 22 日 17:06:05 UTC 提交，版本为 v1，文件大小约 862 KB。论文提供了 PDF、实验性 HTML 以及 TeX 源码等多种访问方式，并通过 DataCite 分配了 DOI（https://doi.org/10.48550/arXiv.2606.28386）。读者可通过 NASA ADS、Google Scholar、Semantic Scholar 等工具获取引用信息。总体而言，这项工作为应对自回归图像生成带来的溯源挑战提供了一种不依赖水印、适用于已发布内容的实用方案。