في السنوات الأخيرة، شهد سوق الذكاء الاصطناعي ظهور نماذج جديدة تم إطلاقها بسرية تحت أسماء رمزية، مما يحد من قدرة المستخدمين على فهم الهوية الحقيقية لهذه النماذج والتعامل معها بشكل آمن. تعني الهوية للمستخدمين تحديد شروط معالجة البيانات والمخاطر المرتبطة بسلسلة الإمداد والمتطلبات الوظيفية لنماذج الذكاء الاصطناعي.

حتى الآن، تفتقر الصناعة إلى منهجية موثوقة للتحقق من الهوية للموديلات المجهولة، حيث أن قوائم التحقق المستخدم في الممارسات العملية تعاني من غياب الأدلة الدقيقة، وتعتبر الهوية الذاتية موثوقة فقط في حالات محدودة.

لذا، نقدم بروتوكول تدقيق جنائي يتكون من أربع مراحل لتحديد الهوية في نماذج API المجهولة.

**المرحلة 0:** تعيد تكوين إعدادات الإطلاق باستخدام لقطات أرشيفية من منصات المطورين (مثل أرشيف الإنترنت)، مما يكشف عن عدم التوافق بين النسخ الأولية والإنتاجية.

**المرحلة 1:** تقوم بتحليل معلمات النموذج (السياق، الحدود العليا للإخراج، وعملية التفكير) وفقًا لكatalog المنصة.

**المرحلة 2:** تختبر هوية الرموز عبر سلسلة مختلفة من الأطوال، رافضة المصادمات الخاصة بالمداخل القصيرة.

**المرحلة 3:** تؤكد النتائج من خلال بروبيس سلوكية.

لقد تم اختبار هذا البروتوكول على 10 نماذج معروفة الهوية، حيث كانت النتائج تشير بدقة إلى وجود تطابقات. وتحديدًا، تم الحصول على نتائج مثيرة للاهتمام من النموذج GLM-5.3 الذي تأكدت هوية عائلته وخط النسخة بعد الكشف الرسمي.

هذا الابتكار يمثل خطوة مهمة نحو تعزيز الشفافية والأمان في مشهد الذكاء الاصطناعي المتغير، مما يتيح للمستخدمين القدرة على اتخاذ قرارات مدروسة بناءً على معلومات دقيقة وموثوقة.