論文の概要: The More It Says, the More You Pay: A Black-Box Audit of Provider-Side Token Inflation in LLM Services
- arxiv url: http://arxiv.org/abs/2609.20370v1
- Date: Thu, 17 Sep 2026 13:28:06 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-20 08:55:54.289379
- Title: The More It Says, the More You Pay: A Black-Box Audit of Provider-Side Token Inflation in LLM Services
- Title（参考訳）: LLMサービスにおけるプロバイダサイドのトケインフレーションのブラックボックス監査
- Abstract要約: 有料のLLMサービスでは、不当なプロバイダは、タスクユーティリティを保持しながら出力トークンをインフレーションするために生成を隠蔽的に操作することができる。
このような操作をPTIA(Provider-Side Token Inflation Attack)として定義し,クエリ,プロンプト,表現,モデルレベルでの5つの代表的な攻撃をインスタンス化する。
実験の結果,各攻撃は平均出力長を10.2倍に増加させ,PTIAの経済的魅力と実現可能性を示した。
- 参考スコア（独自算出の注目度）: 10.44654890706772
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In pay-per-token LLM services, the more a model says, the more users pay. Dishonest providers can covertly manipulate generation to inflate output tokens while largely preserving task utility. We define such manipulation as a Provider-Side Token Inflation Attack (PTIA) and instantiate five representative attacks at the query, prompt, representation, and model levels of the provider-controlled pipeline. Our experiments show that each attack increases mean output length to more than 10.2x the clean baseline, demonstrating PTIA's financial appeal and feasibility at multiple stages of generation. Yet auditing PTIA from black-box responses is difficult for users. Our key observation is PTIA saturation: an initial attack sharply lengthens output, but further strengthening or composition has much less effect. We trace this saturation to stopping behavior: an initial PTIA sharply lowers the end-of-sequence token probability, whereas further intervention lowers it only marginally. Building on this insight, we design a lightweight single-probe audit that applies a controlled lengthening intervention. Under PTIA, the probe induces far fewer additional tokens than under normal service. The audit requires neither a trusted local reference model nor historical clean responses, and its separately issued original and probed requests resemble ordinary traffic, making evasion difficult. Across four open-weight models, it achieves an average detection rate of 85.1% with false-positive rates below 2%. Across 15 real LLM API services, the audit flags 7 for PTIA-consistent behavior.
- Abstract（参考訳）: 有料のLLMサービスでは、モデルが言うほど、ユーザーはより多くの支払いを支払う。
Dishonestプロバイダは、タスクユーティリティをほとんど保持しながら、生成を隠蔽して出力トークンをインフレーションすることができる。
このような操作を、プロバイダ側トークンインフレーション攻撃(PTIA)として定義し、プロバイダ制御パイプラインのクエリ、プロンプト、表現、モデルレベルにおける5つの代表的な攻撃をインスタンス化する。
実験の結果,各攻撃は平均出力長をクリーンベースラインの10.2倍に増加させ,PTIAの経済的魅力と実現可能性を示した。
しかし,ブラックボックス応答からのPTIA監査はユーザにとって困難である。
我々の重要な観察はPTIA飽和であり、初期攻撃は出力を著しく延長するが、さらなる強化や構成はより少ない効果を持つ。
初期PTIAはシーケンス終了確率を急激に下げるが、さらなる介入はそれをわずかに下げる。
この知見に基づいて、制御された延長介入を適用する軽量なシングルプローブ監査を設計する。
PTIAの下では、プローブは通常のサービスよりもはるかに少ない追加トークンを誘導する。
監査は信頼された地域参照モデルも過去のクリーンレスポンスも必要とせず、独自に発行されたオリジナルのリクエストと調査されたリクエストは通常のトラフィックと似ているため、回避が困難である。
4つのオープンウェイトモデル全体で、平均検出率は85.1%であり、偽陽性率は2%以下である。
15の実際のLLM APIサービスにまたがって、PTIA一貫性のある動作のための監査フラグ7がある。
関連論文リスト
- Signed Compression Progress on a Sealed Audit is Goodhart-Resistant [0.43830114853179497]
圧縮の進行は本質的な動機付けの長年の提案である。
我々は、本質的な報酬は学習のためだけに支払われるから「信用できる」ことを証明している。
構造コアのリーン4メカニゼーションを提供します。
論文 参考訳（メタデータ） (2026-06-09T20:10:40Z) - From Observation to Intervention: A Causal Audit of Expert Importance in Mixture-of-Experts Models [0.2230291569252836]
本研究では,Mixture-of-Experts (MoE) プルーニングにおけるルーティング統計の利用について検討する。
あらゆるモデルにおいて因果的専門家の重要性を予測する観察的指標は見つからない。
以上の結果から, 人口レベルの観察結果から, 専門家の重要度に関するトークンレベルの介入主張まで, 共通の推論段階に対する明確な反例が得られた。
論文 参考訳（メタデータ） (2026-06-09T11:04:19Z) - Unleashing Implicit Rewards: Prefix-Value Learning for Distribution-Level Optimization [74.91418266859297]
インプシットプロセス報酬モデル(PRM)は、推論プロセスに沿ってきめ細かな報酬信号を提供する。
トレーニングはシーケンスレベルの集約のみを制限しますが、推論はローカルステップの品質を反映するためにトークンレベルのスコアが必要です。
本稿では,予測精度を推定するプレフィックス条件付き値関数を直接学習する新しいインプリシット・プレフィックス・バリュー・リワード・モデル(IPVRM)を提案する。
また,サンプルトークンと高確率候補トークンの両方に対してTDの利点を演算する分散レベルRL(DistRL)を提案する。
論文 参考訳（メタデータ） (2026-04-14T18:19:54Z) - IMMACULATE: A Practical LLM Auditing Framework via Verifiable Computation [49.796717294455796]
経済的なモチベーションのある逸脱を検出するための実践的な監査フレームワークIMMACULATEを提案する。
IMMACULATEは、検証可能な計算を用いて少数のリクエストを選択的に監査し、暗号オーバーヘッドを償却しながら強力な検出保証を達成する。
論文 参考訳（メタデータ） (2026-02-26T07:21:02Z) - SABER: Small Actions, Big Errors -- Safeguarding Mutating Steps in LLM Agents [52.20768003832476]
我々は$$-Bench (Airline/Retail) および SWE-Bench Verified 上での実行トレースを分析する。
成功を失敗に戻すための、先進的な逸脱、最初期の行動、レベル分岐を形式化する。
モデルに依存しない,勾配のない,テスト時のセーフガードである cm を導入します。
論文 参考訳（メタデータ） (2025-11-26T01:28:22Z) - Pipeline Parallelism is All You Need for Optimized Early-Exit Based Self-Speculative Decoding [73.67253077506672]
大規模言語モデル(LLM)は、優れた生成品質を提供するが、非常に高い推論コストをもたらす。
早期排他的自己投機的復号法(EESD)がこのコストを軽減するために登場した。
ドラフトと検証作業を完全にパイプライン化するパイプライン・パラレル自己スペクティブ・デコーディング(PPSD)を提案する。
論文 参考訳（メタデータ） (2025-09-19T04:51:41Z) - Predictive Auditing of Hidden Tokens in LLM APIs via Reasoning Length Estimation [7.928002407828304]
商用のLLMサービスは内部の推論トレースを隠蔽し、生成したトークンごとにユーザを課金する。
PALACEは内部トレースにアクセスせずに、プロンプトと応答のペアから隠れた推論トークン数を推定する。
数学、コーディング、医学、一般的な推論のベンチマークの実験は、PALACEが低い相対誤差と強い予測精度を達成することを示している。
論文 参考訳（メタデータ） (2025-07-29T19:50:55Z) - CoIn: Counting the Invisible Reasoning Tokens in Commercial Opaque LLM APIs [13.31195673556853]
隠れトークンの量と意味的妥当性の両方を検査する検証フレームワークであるCoInを提案する。
実験では、信頼できる第三者監査官としてデプロイされたCoInが、成功率94.7%に達するトークン数インフレーションを効果的に検出できることが示されている。
論文 参考訳（メタデータ） (2025-05-19T23:39:23Z) - Are You Getting What You Pay For? Auditing Model Substitution in LLM APIs [71.7892165868749]
LLM(Commercial Large Language Model) APIは基本的な信頼の問題を生み出します。
ユーザーは特定のモデルに課金するが、プロバイダが忠実に提供できることを保証することはない。
我々は,このモデル置換問題を定式化し,現実的な逆条件下での検出方法を評価する。
我々は,信頼された実行環境(TEE)を実用的で堅牢なソリューションとして使用し,評価する。
論文 参考訳（メタデータ） (2025-04-07T03:57:41Z) - Inference Optimal VLMs Need Fewer Visual Tokens and More Parameters [54.01228554126122]
視覚言語モデル(VLM)は、様々な視覚的理解と推論タスクにまたがる強力な能力を示している。
推論コストを削減するために、LLM(Large Language Models)を縮小するか、イメージを表すのに必要な入力トークンの数を削減できる。
高速圧縮に適したトークン圧縮アルゴリズムを設計する第一歩を踏み出す。
論文 参考訳（メタデータ） (2024-11-05T18:54:21Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。