视觉语言模型中已注册微调标记与模型谱系的权重空间取证

基于摘要分析。该研究面向视觉语言模型发布后难以核验训练历史的问题，提出 weight-space forensics：在授权方于微调阶段植入已注册标记的受控条件下，通过候选模型权重中的统计与谱特征检测标记，并分析受控教师—学生模型谱系。研究对象是视觉语言模型的权重审计，并非 EEG/BCI 解码方法。 该框架将选定模型参数表示为统计和谱描述符，不需要推理访问、候选模型训练样本或训练日志，但必须获得候选模型权重，以及匹配的未标记与已标记参考模型库。因此，其结论依赖预先注册标记和参考模型支持，不能等同于从任意检查点恢复训练历史。 作者报告，在 CLIP RN50 中，标记痕迹明显集中于投影层或输出头相关参数；而在 CLIP ViT-B/16 中，adapter、归一化及投影层或输出头等特征组均可检测到痕迹，说明局部集中现象不能直接跨架构推广。同类权重特征还支持标记检测、多个已注册密钥的识别，以及受控教师—学生谱系分析。作者报告，在目标域校准条件下，痕迹可在多个数据集上检出，并能在所研究的受控 CLIP-to-CLIP 蒸馏设置中保留；摘要未提供具体数据集、划分、指标或数值。 局限方面，作者报告持续的无标记微调可能削弱或移除痕迹，model soups 则需要考虑模型变换的校准，以避免误报。因此，证据仅支持已注册标记训练的审计与受控模型谱系认证，不支持任意数据集使用推断或开放世界来源归因。标记植入方式、描述符定义、参考库匹配规则、校准协议、消融及统计信息尚未验证。材料未提供与 EEG/BCI 的具体机制对应，不据此提出迁移有效性结论或复现实验建议。