論文の概要: API-TAIL: Detecting Model Substitution in LLM APIs through Temperature-Aligned Likelihood Tails

• arxiv url: http://arxiv.org/abs/2610.36801v2
• Date: Wed, 28 Oct 2026 21:55:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-30 22:39:27.519345
• Title: API-TAIL: Detecting Model Substitution in LLM APIs through Temperature-Aligned Likelihood Tails
• Title（参考訳）: API-TAIL:LLM APIにおけるモデル置換の検出
• Abstract要約: 商用の言語モデルAPIはテキストのみを返すため、広告主は広告を請求しながら、少数のユーザリクエストをより安価な代替モデルに静かにルーティングすることで、コストを削減できる。 このような部分置換の検出は、誠実なプロバイダが未文書の復号化やサービス選択を通じて出力分布を変更するため、難しい。 API-TAILは、1つの有効温度を1つの有効温度に合わせることでバッチレベルのシフトを吸収する典型的なオーディションであり、残りのテール応答数が正則な設定で調整されたしきい値を超えた場合、エンドポイントにフラグを付ける。
• 参考スコア（独自算出の注目度）: 29.340226032025527
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Commercial language model APIs return only text, allowing a provider to cut costs by quietly routing a fraction of user requests to a cheaper substitute model while billing for the advertised one. Detecting such partial substitution is challenging because honest providers also alter the output distribution through undocumented decoding and serving choices, such as temperature scaling, sampling truncation, repetition and presence penalties, and default system prompts, forcing an audit to test against a composite null of legitimate configurations rather than a single reference. Our key insight is that these legitimate variations primarily shift response typicality across the entire batch, whereas partial substitution injects individual responses that remain anomalous under the claimed model. Building on this, we introduce API-TAIL, a typicality audit that first absorbs batch-level shifts by aligning a single effective temperature to center standardized surprisal scores across the audited batch, and then flags the endpoint if the number of remaining tail responses exceeds a threshold calibrated across legitimate configurations. Evaluated on real-world API responses and constructed substitution mixtures, API-TAIL controls false alarms across diverse honest providers and detects low-rate partial substitution with a small query budget. Under a common composite calibration, it outperforms the adapted rank- and MMD-based audit baselines.
• Abstract（参考訳）: 商用の言語モデルAPIはテキストのみを返すため、広告主は広告を請求しながら、少数のユーザリクエストをより安価な代替モデルに静かにルーティングすることで、コストを削減できる。 このような部分的な置換の検出は、非文書化された復号化や、温度スケーリング、サンプリングトランケーション、繰り返しおよびプレゼンスペナルティ、デフォルトシステムプロンプトなどの選択による出力分布の変更が難しいため、監査は単一の参照ではなく、正当な構成の合成ヌルに対してテストすることを強制する。 我々の重要な洞察は、これらの正当な変化は、主にバッチ全体にわたって応答の典型性を変えるのに対し、部分置換は、要求されたモデルの下で異常に残る個々の応答を注入するということである。 そこで我々は,まず1つの有効温度を1つの有効温度に合わせることでバッチレベルのシフトを吸収するAPI-TAILを導入し,残りの末尾応答数が正則な設定で調整されたしきい値を超えた場合,エンドポイントにフラグを立てる。 API-TAILは、現実世界のAPIレスポンスを評価し、置換の混合を構築し、さまざまな誠実なプロバイダ間で偽のアラームを制御し、クエリ予算の小さな低レート部分置換を検出する。 一般的な複合キャリブレーションの下では、適応されたランクとMDDベースの監査ベースラインを上回っている。

関連論文リスト

• Controlled Decoding Attacks on Black-Box LLMs [68.46062477706256]
  Methodは、繰り返しサンプリングとアシスタント-継続を可能にする、テキストのみの継続インターフェイスを通じてジェイルブレイクを行うためのフレームワークである。 Risk-Gated Residual Controlは、進化する応答プレフィックスを使用して、配布の再構築と修正をいつ行うかを決定する。 Speculative Multi-Token Executionは、介入を必要としないドラフトプレフィックスの検証と受け入れによって、さらにターゲットコールを償却する。
  論文  参考訳（メタデータ） (2026-09-29T07:58:49Z)
• AgentProv: Auditing Agentic LLM API Providers via Tool-use Policy Probes [38.37599802008238]
  商用LLM APIは特定の基盤モデルを宣伝するが、提供されたバックボーンは静かに代用され、定量化され、あるいはラップされることがある。 既存の監査はすべて、テキスト出力チャネルからバックボーンアイデンティティを決定する。 本稿では,AgentProv(AgentProv)について紹介する。
  論文  参考訳（メタデータ） (2026-08-30T08:22:12Z)
• Targeted Tests for LLM Reasoning: An Audit-Constrained Protocol [0.9805949492148788]
  対象推論評価のための監査制約付きプロトコルを提案する。 楽譜に基づく決定型サンプリングであるCAPS(Component Prompt Smpling)をプロンプトコンポーネント上でインスタンス化し、等予算の均一なコンポーネントサンプリングと比較する。
  論文  参考訳（メタデータ） (2026-05-12T06:26:22Z)
• 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)
• CompassVerifier: A Unified and Robust Verifier for LLMs Evaluation and Outcome Reward [50.97588334916863]
  評価と結果報酬のための正確で堅牢な軽量検証モデルであるCompassVerifierを開発した。 数学、知識、多種多様な推論タスクにまたがる多分野の能力を示し、様々な答えの型を処理する能力を示す。 我々は,複数のデータソースから収集したモデル出力からなるVerifierBenchベンチマークを導入し,メタエラーパターンを手動で解析してCompassVerifierを強化する。
  論文  参考訳（メタデータ） (2025-08-05T17:55:24Z)
• Auditing Black-Box LLM APIs with a Rank-Based Uniformity Test [24.393978712663618]
  APIプロバイダは、コスト削減やモデル動作の不正な変更のために、量子化または微調整の亜種を慎重に提供することができる。 そこで我々は,ブラックボックスLLMの挙動等式を局所的に展開した認証モデルに検証できるランクベース均一性試験を提案する。 我々は、量子化、有害な微調整、脱獄プロンプト、完全なモデル置換など、さまざまな脅威シナリオに対するアプローチを評価する。
  論文  参考訳（メタデータ） (2025-06-08T03:00:31Z)
• 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)
• Hard-normal Example-aware Template Mutual Matching for Industrial Anomaly Detection [78.734927709231]
  異常検出器は、クエリー画像の未知の欠陥を検出し、ローカライズするために工業製造で広く使われている。 これらの検出器は異常のないサンプルで訓練され、ほとんどの通常のサンプルと区別された異常を成功させた。 しかし、ハードノーマルな例は、ほとんどの通常のサンプルから遠く離れており、しばしば既存の方法によって異常と誤認される。
  論文  参考訳（メタデータ） (2023-03-28T17:54:56Z)

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。