arXiv は 2026 年 11 月 7 日、新規論文「SetPrint: Black-Box LLM Fingerprinting via Setwise Correspondence of Response Changes」(arXiv:2611.12950v1、cs.AI 分類)を公開した。著者は Jinmo Han ほか 4 名である。本論文が扱うのはブラックボックス大規模言語モデルのフィンガープリンティング、すなわち入力クエリに対する出力応答のみが観測できる状況で、対象モデルが特定のソースモデルから派生したものかどうかを判定する問題である。モデルの蒸留、微調整、ライセンス供与、知的財産の追跡といった場面では、この判定が実務上重要になるが、ブラックボックス条件ではモデルの重みや内部表現、訓練データにアクセスできないため、入力と出力の振る舞いの信号だけに頼らざるを得ない。
論文によれば、ソースモデルと対象モデルの関係を明らかにする一つの方法は、各クエリに摂動を加え、その際に両モデルが示す応答を観察することである。これにより、互いに対応する二組の応答変化集合が得られる。これらの集合には相補的な二種類の情報が含まれる。一つは各集合内部における応答変化同士の関係であり、もう一つは二つの集合間における応答変化の対応関係である。既存手法はこの両方を十分に活用しておらず、いずれか一方に偏っていたため、識別能力に限界があった。
そこで著者らは SetPrint を提案する。これは訓練を必要としない(training-free)手法であり、集合内の関係と集合間の対応関係を同時に捉えることができる。具体的には、各応答変化をそれが属する集合の平均変化に対する相対量として表現し、その上で同一の摂動によって引き起こされた両モデルの変化を比較する。この相対的な正規化により、集合全体のスケールや偏移の影響を抑え、摂動が生み出す構造的な差異に比較の焦点を当てることができる。追加の訓練を必要としないため、クエリインターフェースしか持たないブラックボックスモデルにそのまま適用できる点も実用的である。
実験では LeaFBench ベンチマークを用いて SetPrint を評価し、既存の訓練不要なブラックボックスフィンガープリンティング手法を一貫して上回る結果を示した。さらに著者らは分析を行い、性能向上が集合内関係と集合間対応関係の双方に由来することを示している。つまりこれら二種類の情報は相補的であり、組み合わせることで初めて有効に機能するということである。なお、要旨ではデータセットの規模、比較対象の詳細、具体的な指標の数値などは明らかにされておらず、本文および実験部分を参照する必要がある。
本論文は cs.AI 分類で投稿され、v1 は 2026 年 11 月 7 日 00:45:17 UTC にアップロードされ、ファイルサイズは約 82 KB である。PDF、実験的な HTML、TeX ソースなど複数の形式で入手でき、音声要約も用意されている。引用情報は arXiv:2611.12950 [cs.AI] であり、DOI は DataCite を通じて付与されている。研究的意義としては、SetPrint がブラックボックス条件下でのモデル由来判定に対し、集合内部の構造と集合間の対応を両立させる新たな枠組みを与えるものであり、モデルの来歴追跡やコンプライアンス監査といった応用に一定の参考価値を持つと考えられる。