今日，GitHub 上一篇兼具技术深度与行业爆点的论文引发热议。该研究提出的 “LLM-Fingerprint 模型指纹技术”，直指通过注意力参数分布溯源预训练模型的可行性。核心结论显示：Pangu Pro MoE 模型与 Qwen-2.5 14B 模型的注意力参数分布相关性高达 0.927，这一数值远超行业内独立训练模型的正常差异范围，引发对模型知识产权的激烈讨论。
核心推断：从技术数据到版权质疑
论文作者通过实证分析提出两大关键推断：
- 技术路径非从零构建：Pangu Pro MoE 并非完全自研，而是通过 “upcycling（持续训练 + 架构调整）” 基于 Qwen 模型进行改造，即使从 Dense 架构转为 MoE 架构，核心参数指纹仍保留显著继承特征。
- 自研声明存疑：技术文档中 “完全自研” 的表述与参数指纹分析结果矛盾，可能涉及版权侵权与技术报告真实性争议。
模型指纹技术：如何锁定 “参数血缘”？
该技术的核心逻辑可拆解为三步：
- 特征提取：抓取模型各层多头注意力机制中 Q、K、V、O 矩阵的标准差，按层序排列并归一化，形成唯一的 “参数指纹序列”。
- 相关性计算：通过皮尔逊相关系数衡量不同模型的指纹序列相似度。实验证明，即使经历架构改造（如 MoE 拆分）或大规模微调，该指纹仍保持稳定性。
- 继承性验证：在已知继承关系的模型（如 Llama 变体、Qwen 社区微调版）中，指纹相关性显著高于独立训练模型（即使同属 Qwen 家族内部不同型号）。
争议升级：1 小时速答与学术交锋
论文发布 1 小时后，涉事团队在 GitHub Issue 中紧急回应，全盘否认抄袭指控，并称 LLM-Fingerprint 的评估方法 “缺乏科学依据”。但论文作者 HostAGI 团队随即在 Issue#8 中反驳，指出参数分布的高相关性已超越 “巧合” 范畴，双方围绕技术方法论展开激烈辩论。
吃瓜群众视角
当前事件已从技术讨论升级为行业伦理争议。脉脉等平台爆料显示，事件背后或牵扯 AI 实验室的人事博弈。正如网友调侃：”到底是自研还是换皮，就看 Pangu 能否拿出推翻 0.927 相关性的硬证据。” 目前，技术圈正等待涉事方进一步举证，让子弹再飞一会儿。
