1

Você está pagando por um modelo e recebendo outro?

Uma API pode ter o nome certo, documentação caprichada e uma resposta convincente. Ainda assim, isso não prova que o modelo anunciado está respondendo.

O risco aparece em serviços de terceiros que prometem acesso a modelos conhecidos por meio de suas próprias APIs, às vezes com preços menores ou menos restrições. Um estudo apresentado no CCS 2026 auditou esse mercado, chamado pelos autores de shadow APIs, e encontrou diferenças de desempenho, comportamento de segurança e identidade entre alguns desses serviços e as APIs oficiais. O estudo analisou um conjunto delimitado de provedores; não é uma acusação contra todo serviço intermediário. (CCS 2026)

Um resultado chama atenção: em dois endpoints analisados, um serviço anunciado como GPT-5 teve uma impressão digital comportamental compatível com GLM-4-9B-chat. É uma diferença de escala relevante, mas vale ser preciso: a técnica identifica semelhanças estatísticas, não inspeciona diretamente o servidor. O resultado é evidência de possível substituição naquele teste, não prova sobre toda chamada, todo provedor ou a intenção de quem opera o serviço. (estudo sobre Shadow APIs)

Como verificar algo que acontece dentro de uma API fechada? Uma pista inesperada é pedir números “aleatórios”.

Um artigo publicado no arXiv em julho de 2026 testou pedidos simples, como escolher um número entre 1 e 100. O truque não é perguntar uma vez e concluir que o modelo é conhecido porque respondeu “42”. Os pesquisadores repetiram vários pedidos, em diferentes idiomas, e compararam as frequências das respostas. Os modelos tendem a repetir certos números e escolhas; o conjunto dessas preferências pode funcionar como uma impressão digital. No estudo, a verificação com a bateria completa teve uma taxa de erro igualizada de 7,3%. Esse número descreve o protocolo avaliado, não uma garantia de 92,7% de acerto em qualquer API ou situação. (artigo no arXiv)

Outra abordagem é o FLIPS, apresentado na ICML 2026. Em vez de se concentrar nesses números curtos, ele explora os padrões que aparecem quando modelos tentam gerar sequências binárias pseudoaleatórias. Os autores reportaram 96% de acurácia em um cenário closed-set, no qual o modelo procurado está entre os candidatos conhecidos, e 90% em um cenário open-set, com possíveis modelos desconhecidos. Os resultados vieram de 237 instâncias de modelos. Não são taxas universais para qualquer serviço disponível no mercado. (FLIPS)

A lógica, em resumo: faça perguntas padronizadas várias vezes, registre as respostas e compare a distribuição observada com referências de modelos conhecidos. Não é uma identidade criptográfica; é uma forma de procurar divergências que merecem investigação.

Projetos como o LLM Fingerprint implementam essa ideia com bases de impressões digitais e comparação estatística. Também existe o LM Fingerpoint Detector, cujo comando é lmfpd, voltado a comparar padrões de números com referências. São ferramentas úteis para experimentar e monitorar, mas o resultado depende da qualidade das referências e das condições do teste. (LLM Fingerprint)

Para quem usa APIs em produção ou pesquisa, o nome do modelo no parâmetro da requisição não deveria ser a única evidência. Registre o provedor, teste a qualidade com tarefas próprias e, quando a identidade do modelo importar, compare o endpoint com uma referência confiável. Uma impressão digital não encerra a discussão, mas pode revelar que vale a pena fazê-la.

Carregando publicação patrocinada...