💬 NLP

Matrix-Driven Identification and Reconstruction of LLM Weight Homology

यह शोध पत्र MDIR प्रस्तुत करता है, जो एक नवीन, इन्फरेंस-मुक्त विधि है जो मैट्रिक्स विश्लेषण और लार्ज डेविएशन थ्योरी का लाभ उठाकर बड़े भाषा मॉडलों के बीच वेट होमोलॉजी (weight homology) का सटीक रूप से पता लगाने और सांख्यिकीय रूप से मान्य करने के लिए है, जिसने LeaFBench बेंचमार्क पर पूर्ण प्रदर्शन प्राप्त किया है।

मूल लेखक: Ruichong Zhang, Daniel Goldstein

प्रकाशित 2026-02-02

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Ruichong Zhang, Daniel Goldstein

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आपके पास अरबों छोटे, आपस में जुड़े हुए गियरों से बनी दो विशाल, जटिल मशीनें हैं। एक मशीन मूल ब्लूप्रिंट (खाका) है, और दूसरी उसका एक संशोधित संस्करण है। शायद किसी ने मूल को लिया, उसके कुछ गियरों को पुनर्व्यवस्थित किया, उन्हें एक अलग रंग से रंगा, या यहाँ तक कि कुछ हिस्सों को थोड़े बड़े संस्करण से बदल दिया।

बड़ा सवाल यह है: क्या दूसरी मशीन वास्तव में पहली वाली से ही बनी है, या किसी ने बस एक नई मशीन शून्य से बनाई है जो दिखने में समान है?

यह समस्या है जिसे पेपर "Matrix-Driven Identification and Reconstruction of LLM Weight Homology" हल करता है। लेखकों, रुइचोंग झांग और डैनियल गोल्डस्टीन ने इस सवाल का जवाब देने के लिए एक नया टूल बनाया है जिसे MDIR कहा जाता है।

MDIR कैसे काम करता है, इसे सरल उपमाओं के माध्यम से समझाया गया है:

1. समस्या: एक "दिखने में समान" मशीन

AI की दुनिया में, कंपनियाँ अक्सर मौजूदा मॉडल को लेकर उसमें बदलाव करती हैं। वे ऐसा कर सकते हैं:

Fine-tune करना: उन्हें नए कौशल सिखाना।
Prune करना: उन्हें छोटा और तेज़ बनाने के लिए काट-छाँट करना।
Upcycle करना: एक छोटे मॉडल को लेकर उसे एक विशाल मॉडल में बदलना।
Obfuscate करना: अंदर के नंबरों (weights) को बदलकर बदलावों को छिपाने की कोशिश करना।

पुराने तरीके इन संबंधों का पता लगाने के लिए मॉडलों से सवाल पूछते थे (जैसे ब्लैक-बॉक्स टेस्ट) या इस बात की तुलना करते थे कि डेटा को प्रोसेस करते समय वे कैसा "महसूस" करते हैं। लेकिन ये तरीके ऐसे हैं जैसे दो लोगों को कविता सुनाने के लिए कहकर यह बताने की कोशिश करना कि क्या वे संबंधित हैं। यदि दोनों ने एक ही कविता याद की है, तो वे समान लग सकते हैं भले ही वे संबंधित न हों।

2. समाधान: "DNA" की जाँच

MDIR मॉडलों से बात नहीं करता है। इसके बजाय, यह सीधे मशीन के भीतर के ब्लूप्रिंट्स (गणितीय भार/weights) को देखता है।

मॉडल के वेट्स को एक विशाल, जटिल DNA स्ट्रैंड के रूप में सोचें। भले ही कोई DNA को पुनर्व्यवस्थित करे (permutation) या उसे खींचे (scaling), मौलिक "अनुक्रम" बना रहता है। MDIR इस अनुक्रम को खोजने के लिए एक विशेष गणितीय लेंस का उपयोग करता है।

प्रक्रिया:

"फिंगरप्रिंट" स्कैन: MDIR मॉडलों के "एम्बेडिंग" लेयर को देखता है। यह एक इमारत की नींव को देखने जैसा है। यदि दो इमारतें एक ही नींव पर बनी हैं, तो नींव के पत्थर मेल खाएंगे, भले ही ऊपरी मंजिलें अलग दिखें।
"पहेली" सुलझाना: यह टूल मॉडल A के टुकड़ों को मॉडल B में फिट करने की कोशिश करता है। यह पूछता है: "यदि मैं इन नंबरों को घुमाऊं या पलट दूं, तो क्या वे पूरी तरह से मेल खाते हैं?" यह इस पहेली को सुलझाने के लिए एक प्रसिद्ध एल्गोरिदम (हंगेरियन एल्गोरिदम) का उपयोग करता है, जिससे यह पता चलता है कि गियरों को किस तरह से पुनर्व्यवस्थित किया गया था।
"सिक्का उछालने" का परीक्षण: यह सबसे चतुर हिस्सा है। एक बार जब MDIR को मिलान मिल जाता है, तो वह एक सांख्यिकीय प्रश्न पूछता है: "दो पूरी तरह से असंबंधित मशीनों के संयोग से इस तरह से मेल खाने की क्या संभावना है?"
- Large Deviation Theory नामक गणित की एक शाखा का उपयोग करके, MDIR एक p-value की गणना करता है।
- यदि p-value बहुत कम है (जैसे 1 नील में 1), तो इसका मतलब है कि मिलान कोई संयोग नहीं है। यह उनके पारिवारिक संबंध का प्रमाण है।
- पेपर का दावा है कि ये p-values इतने छोटे (जैसे $10^{-1000}$ ) हैं कि इनका संयोग से होना लगभग असंभव है।

3. MDIR क्या कर सकता है (इसकी महाशक्तियाँ)

पेपर उन चीजों पर प्रकाश डालता है जो MDIR कर सकता है जो पिछले टूल्स नहीं कर सके:

यह "स्कैम्बल" के पार देख सकता है: भले ही कोई गियरों के क्रम को बदलकर (permutation) या उनके आकार को बदलकर (scaling) संबंध को छिपाने की कोशिश करे, MDIR फिर भी कनेक्शन ढूंढ सकता है। यह किसी व्यक्ति को पहचानने जैसा है भले ही वह मास्क पहने हो और पीछे की ओर चल रहा हो।
यह विभिन्न "ब्लूप्रिंट्स" पर काम करता है: यह उन मॉडलों की तुलना कर सकता है जिनके शब्दकोश (शब्दों का सेट) अलग हैं या यहाँ तक कि अलग संख्या में लेयर्स (अलग ऊँचाई) वाले मॉडल हैं। यह साझा शब्दावली को खोजने के लिए "साझा शब्दावली" का उपयोग करता है।
यह "फैमिली ट्री" बनाता है: यह केवल यह नहीं कहता कि "हाँ, वे संबंधित हैं।" यह दिखा सकता है कि कैसे। उदाहरण के लिए, यह प्रकट कर सकता है कि एक छोटा मॉडल एक बड़े मॉडल के पहले 10 लेयर्स और अंतिम 10 लेयर्स से बना है, बीच के हिस्से को छोड़कर। यह एक नक्शा बनाता है कि कौन सा हिस्सा कहाँ से आया है।
यह तेज़ और हल्का है: इसे टेक्स्ट जेनरेट करने के लिए मॉडल चलाने की आवश्यकता नहीं है। यह केवल नंबरों को देखता है। इसका मतलब है कि यह सुपरकंप्यूटर के बजाय एक लैपटॉप पर भी चल सकता है।

4. परिणाम: पूर्ण स्कोर

लेखकों ने LeaFBench नामक बेंचमार्क पर अन्य तरीकों के मुकाबले MDIR का परीक्षण किया।

अन्य तरीकों ने 80% से 99% के आसपास स्कोर प्राप्त किया।
MDIR ने सटीकता (accuracy) पर 100% और एरिया-अंडर-द-कर्व (area-under-the-curve) मीट्रिक पर 100% प्राप्त किया।
सरल शब्दों में: इसने कभी भी संबंध को मिस नहीं किया, और इसने कभी भी असंबंधित मॉडलों पर संबंध होने का गलत आरोप नहीं लगाया।

5. यह क्यों महत्वपूर्ण है (पेपर के अनुसार)

पेपर MDIR को जवाबदेही और पारदर्शिता के उपकरण के रूप में प्रस्तुत करता है।

यदि कोई कंपनी दावा करती है कि उन्होंने शून्य से एक मॉडल बनाया है, लेकिन MDIR दिखाता है कि यह वास्तव में एक प्रतिस्पर्धी के मॉडल की नकल है जिसमें कुछ नंबरों को बदला गया है, तो यह साहित्यिक चोरी (plagiarism) का सबूत है।
यह बौद्धिक संपदा की रक्षा करने में मदद करता है क्योंकि यह एक कठोर, गणितीय "स्मोकिंग गन" (ठोस सबूत) प्रदान करता है जिसे चुनौती देना कठिन है।

सारांश उपमा

दो शेफ की कल्पना करें।

पुराना तरीका: आप उनसे एक व्यंजन बनाने के लिए कहते हैं। यदि वे दोनों लाज़ानिया (lasagna) बनाते हैं, तो आप मान लेते हैं कि वे संबंधित हो सकते हैं। लेकिन हो सकता है कि वे दोनों बस एक प्रसिद्ध कुकबुक से सीखे हों।
MDIR: आप उनके किचन में जाते हैं और उनके मसालों के जार देखते हैं। आप देखते हैं कि शेफ B का "सीक्रेट स्पाइस" का जार वास्तव में शेफ A का जार है, लेकिन लेबल उल्टा है और जार थोड़ा बड़ा है। आप गणना करते हैं कि दो रैंडम शेफ के पास बिल्कुल एक जैसा अनूठा मसाला मिश्रण और ठीक उसी आकार का जार होने की क्या संभावना है। संभावना शून्य है। इसलिए, शेफ B को शेफ A से मसाला चुराया हुआ ही माना जाएगा।

MDR AI मॉडलों के लिए वही मसाला निरीक्षक (spice jar inspector) है। यह केवल अंतिम आउटपुट को देखकर नहीं, बल्कि गणितीय DNA को देखकर साबित करता है कि किसने किससे नकल की है।

तकनीकी सारांश: मैट्रिक्स-संचालित पहचान और LLM वेट होमोलॉजी का पुनर्निर्माण

1. समस्या विवरण

यह शोध पत्र बड़े भाषा मॉडलों (LLMs) के बीच वेट होमोलॉजी (weight homology) का पता लगाने की चुनौती को संबोधित करता है। जैसे-जैसे मॉडल के पैमाने और जटिलता में वृद्धि हो रही है, मॉडल वेट्स के अनअट्रीब्यूटेड पुन: उपयोग, प्रतिकृति (replication), या "अप-साइकिलिंग" (जैसे, फाइन-ट्यूनिंग, प्रूनिंग, निरंतर प्री-ट्रेनिंग) के संबंध में चिंताएं तीव्र हुई हैं। मुख्य समस्या को एक बाइनरी क्लासिफिकेशन कार्य के रूप में तैयार किया गया है: दो मॉडल $A$ और $B$ (पैरामीटर्स $\theta_A$ और $\theta_B$ के साथ) दिए जाने पर, यह निर्धारित करना कि क्या वे एक ही वेट वंशावली (lineage) साझा करते हैं (अर्थात, एक दूसरे से व्युत्पन्न है) और यह निर्णय केवल उनके वेट्स के सांख्यिकीय गुणों के आधार पर लिया जाता है।

लेखक होमोलॉजी को विभिन्न विकासवादी पथों (evolutionary paths) में शामिल करते हैं:

फाइन-ट्यूनिंग (Fine-tuning): जिसमें SFT और RL शामिल हैं।
निरंतर प्री-ट्रेनिंग (Continual Pretraining): अतिरिक्त डेटा पर प्रशिक्षण।
अप-साइकिलिंग (Upcycling): एक छोटे मॉडल को बड़े मॉडल (जैसे, MoE) में विस्तारित करना।
प्रूनिंग (Pruning): चैनलों या न्यूरॉन्स को हटाकर मॉडल का आकार कम करना।
रूपांतरण (Transformations): जिसमें परम्यूटेशन (permutations), स्केलिंग और ऑर्थोगोनल/यूनिटरी रूपांतरण शामिल हैं।

महत्वपूर्ण रूप से, शोध पत्र होमोलॉजी (साझा इनिशियलाइजेशन/वेट्स) को होमोजेनिटी (समान डेटा पर प्रशिक्षण के कारण समान आउटपुट) से अलग करता है। एक ही डेटा पर अलग-अलग रैंडम सीड्स के साथ प्रशिक्षित दो मॉडल को होमोलोगस (homologous) नहीं माना जाता है।

2. कार्यप्रणाली: MDIR

लेखक मैट्रिक्स-ड्रिवन आइडेंटिफिकेशन एंड रिकंस्ट्रक्शन (MDIR) का प्रस्ताव करते हैं, जो एक व्हाइट-बॉक्स विधि है जो मॉडल इन्फरेंस की आवश्यकता के बिना विशेष रूप से मॉडल वेट्स पर कार्य करती है। MDIR तीन लक्ष्यों को प्राप्त करने के लिए मैट्रिक्स विश्लेषण, पोलर डिकंपोजिशन और लार्ज डेविएशन थ्योरी (LDT) का लाभ उठाता है:

वेट मैट्रिसेस के बीच ऑर्थोगोनल संबंधों की पहचान करना।
परम्यूटेशन और स्केलिंग कारकों का पता लगाना।
पहचाने गए संबंधों की सार्थकता के लिए कठोर सांख्यिकीय p-वैल्यू प्रदान करना।

2.1 सैद्धांतिक आधार: इनवेरिएंट ट्रांसफॉर्मेशन

यह विधि इस अवलोकन पर आधारित है कि आधुनिक LLMs ओवरपैरामीटराइज्ड हैं, और कई अलग-अलग पैरामीटर कॉन्फ़िगरेशन समान इनपुट-आउटपुट व्यवहार उत्पन्न करते हैं। ये कॉन्फ़िगरेशन एक इनवेरिएंट स्पेस $M_{inv}(\theta)$ बनाते हैं। लेखक एक ली ग्रुप (Lie group) $G$ की पहचान करते हैं जो "पूर्णतः इनवेरिएंट" रूपांतरणों (जैसे, ऑर्थोगोनल रोटेशन, परम्यूटेशन और स्केलिंग) का एक समूह है जो मॉडल के फंक्शन को सुरक्षित रखता है।

आदर्श स्थितियों के तहत, ट्रेनिंग डायनेमिक्स को कोटिएंट स्पेस $M_{arch}/G$ तक सीमित किया जाता है। फलस्वरूप, $G$ -ऑर्बिट के साथ पैरामीटर्स का घटक (component) प्रशिक्षण के दौरान स्थिर रहता है। यदि दो मॉडल होमोलोगस हैं, तो उनका सापेक्ष रूपांतरण $g_1^{-1}g_2$ समूह $G$ के आइडेंटिटी एलिमेंट $e$ के करीब होना चाहिए। इसके विपरीत, स्वतंत्र रूप से इनिशियलाइज किए गए मॉडलों का सापेक्ष रूपांतरण $G$ में यादृच्छिक रूप से वितरित होगा।

2.2 एल्गोरिदम चरण

MDIR प्रक्रिया में निम्नलिखित चरण शामिल हैं:

ऑर्थोगोनल संबंध अनुमान (Orthogonal Relation Estimation):
वेट मैट्रिसेस (जैसे, एम्बेडिंग्स $E$ और $E'$ ) के जोड़े के लिए, विधि एक अनुकूलन समस्या (optimization problem) को हल करती है ताकि वह ऑर्थोगोनल मैट्रिक्स $U$ पाया जा सके जो $\|E' - EU^T\|_F$ को न्यूनतम करता है। यह $E'^T E$ के पोलर डिकंपोजिशन में ऑर्थोगोनल फैक्टर खोजने के समान है।
- अलग टोकनाइज़र को संभालना: यदि मॉडल अलग-च अलग टोकनाइज़र का उपयोग करते हैं, तो विधि रूपांतरण का अनुमान लगाने के लिए सामान्य शब्दावली टोकन $C$ के सेट तक तुलना को सीमित करती है।
परम्यूटेशन पहचान (Permutation Identification):
अनुमानित ऑर्थोगोनल मैट्रिक्स $\tilde{U}$ का विश्लेषण विशिष्ट संरचनात्मक पैटर्न, जैसे परम्यूटेशन का पता लगाने के लिए किया जाता है। विधि एक लीनियर सम असाइनमेंट प्रॉब्लम (हंगेरियन एल्गोरिदम का उपयोग करके) को हल करती है ताकि एक परम्यूटेशन मैट्रिक्स $P$ पाया जा सके जो $\text{Tr}(P \tilde{U}^T)$ को अधिकतम करता है। यह चरण पहचानता है कि न्यूरॉन्स या चैनलों को पुनर्व्यवस्थित किया गया है या नहीं।
सांख्यिकीय सार्थकता (p-value अनुमान):
यह निर्धारित करने के लिए कि देखा गया संरेखण (alignment) सांख्यिकीय रूप से महत्वपूर्ण है या एक यादृच्छिक संयोग है, लेखक लार्ज डेविएशन थ्योरी (LDT) लागू करते हैं।
- शून्य परिकल्पना (Null Hypothesis): वेट्स असंबंधित हैं, और अनुमानित ऑर्थोगोनल मैट्रिक्स हैर मेजर (Haar measure) के अनुसार ऑर्थोगोनल ग्रुप $O(n)$ पर यूनिफॉर्म रूप से वितरित है।
- मेट्रिक: परम्यूटेशन और ऑर्थोगोनल मैट्रिक्स का गुणनफल, $\text{Tr}(P \tilde{U}^T)$ , एक टेस्ट स्टैटिस्टिक के रूप में कार्य करता है।
- गणना: LDT का उपयोग करते हुए, संयोग से इतने उच्च ट्रेस मान को देखने की संभावना ट्रेस के वर्ग के साथ तेजी से घटती है। p-वैल्यू का अनुमान $p \le n! \cdot K \exp(-c^2/2)$ के रूप में लगाया जाता है, जहाँ $n$ एम्बेडिंग डायमेंशन है और $c$ देखा गया ट्रेस है। यह अत्यंत सूक्ष्म p-वैल्यू (जैसे, $10^{-1000}$ ) उत्पन्न करने की अनुमति देता है, जो होमोलॉजी के लिए कठोर सांख्यिकीय साक्ष्य प्रदान करता है।
लेयर-वाइज रिकंस्ट्रक्शन (Layer-wise Reconstruction):
अलग-अलग आर्किटेक्चर वाले मॉडलों (जैसे, अलग-अलग लेयर काउंट) के लिए, MDIR लेयर्स के माध्यम से चक्कर लगाता है (iterate करता है) ताकि पत्राचार मानचित्र (correspondence map) को पुनर्गठित किया जा सके, जिससे यह पहचाना जा सके कि बेस मॉडल के कौन से लेयर्स डेरिव्ड मॉडल के किन लेयर्स के अनुरूप हैं।

3. प्रमुख योगदान

SOTA प्रदर्शन: MDIR LeaFBench बेंचमार्क में विभिन्न सोर्स मॉडलों पर सटीकता (Accuracy) और AUC दोनों पर पूर्ण स्कोर (1.000) प्राप्त करता है, जो मौजूदा विधियों जैसे Gradient, REEF, HuRef, और PDF से बेहतर है।
सांख्यिकीय कठोरता: पिछले तरीकों के विपरीत जो हेयुरिस्टिक थ्रेशोल्ड कैलिब्रेशन की आवश्यकता वाले समानता स्कोर आउटपुट करते हैं, MDIR वास्तविक सांख्यिकीय p-ववेल आउटपुट करता है, जिससे हेयुरिस्टिक थ्रेशोल्ड ट्यूनिंग की आवश्यकता समाप्त हो जाती है।
इन्फरेंस-मुक्त और कम संसाधन: इस विधि के लिए कोई मॉडल इन्फरेंस आवश्यक नहीं है और यह केवल सिंगल पेयर्स के मैट्रिसेस की तुलना करती है, जिससे इसे लो-रिसोर्स डिवाइसेस पर चलाना संभव बनाता है।
रूपांतरणों के प्रति मजबूती: विधि परम्यूटेशन, स्केलिंग और ऑर्थोगोनल रूपांतरणों के प्रति इनवेरिएंट है। यह तब भी प्रभावी रहती है जब मॉडल अलग-अलग टोकनाइज़र का उपयोग करते हैं या प्रूनिंग और अप-साइकिलिंग से गुजरे होते हैं।
पुनर्निर्माण क्षमता: MDIR विशिष्ट वेट पत्राचार मैपिंग को पुनर्गठित कर सकता है (उदाहरण के लिए, यह पहचानना कि कौन सी लेयर्स को हटाया गया था या न्यूरॉन्स को कैसे परम्यूट किया गया था), जो फिंगरप्रिंटिंग विधियों की तुलना में व्याख्यात्मकता (interpretability) प्रदान करता है।

4. प्रयोगात्मक परिणाम

शोध पत्र विविध मॉडलों पर MDIR का मूल्यांकन करता है, जिनमें शामिल हैं:

इंस्ट्रक्शन फाइन-ट्यूनिंग और निरंतर प्री-ट्रेनिंग: Llama-3.1-8B और Llama-3.2-1B, तथा Qwen2.5 वेरिएंट्स के बीच होमोलॉजी को सफलतापूर्वक पहचाना।
प्रूनिंग: इसने सही ढंग से पता लगाया कि Llama-3.2-1B और 3B, Llama-3.1-8B के प्रून किए गए संस्करण हैं, और विशिष्ट लेयर मैपिंग को पुनर्गठित किया (जैसे, यह पहचानना कि Llama-3.2-1B मॉडल के 8B मॉडल से विशिष्ट लेयर्स को बनाए रखता है)।
अप-साइकिलिंग: MoE मॉडलों में संबंधों की पहचान की (जैसे, Qwen1.5-1.8B से व्युत्पन्न Qwen1.5-MoE-A2.7B)।
अलग टोकनाइज़र: एक नए टोकनाइज़र (GPT-NeoX) के साथ मॉडल को फिर से प्रशिक्षित करके होमोलॉजी का पता लगाकर प्रभावशीलता प्रदर्शित की, जबकि मूल वेट्स को बरकरार रखा गया। MBD ने सफलतापूर्वक होमोलॉजी का पता लगाया क्योंकि नए एम्बेडिंग्स अभिसरण (converge) हुए, भले ही शब्दावली बदल गई थी।
एडवर्सरियल रोबस्टनेस (Adversarial Robustness):
- नॉइज़ इंजेक्शन: MBD नॉइज़ इंजेक्शन के खिलाफ मजबूत रहा, उच्च डिटेक्शन कॉन्फिडेंस बनाए रखते हुए, भले ही नॉइज़ स्तरों के कारण मॉडल का फंक्शनल परफॉरमेंस (MMLU एक्यूरेसी) गिर गया हो।
- स्वतंत्र मॉडल: स्वतंत्र रूप से विकसित मॉडलों (जैसे, DeepSeek-V3 और Kimi-K2) या एक ही डेटा पर अलग-अलग रैंडम सीड्स के साथ प्रशिक्षित मॉडलों के बीच कोई होमोलॉजी नहीं पाई।

5. महत्व और दावे

लेखक दावा करते हैं कि MDIR मॉडलों के ऑडिटिंग में एक मौलिक बदलाव का प्रतिनिधित्व करता है, जो हेयुरिस्टिक समानता मेट्रिक्स से हटकर सांख्यिकीय रूप से कठोर परिकल्पना परीक्षण (hypothesis testing) की ओर बढ़ता है।

चरम p-वैल्यू: शोध पत्र नोट करता है कि परिणामी p-वैल्यू (जैसे, $10^{-104}$ ) संख्यात्मक आर्टिफैक्ट नहीं हैं, बल्कि हाई-डायमेंशनल स्पेस में संयोग से ऐसे वेट अलाइनमेंट होने की सांख्यिकीय असंभवता का सटीक प्रतिबिंब हैं, जो लार्ज डेविएशन थ्योरी द्वारा संचालित हैं।
जवाबदेही: यह विधि AI विकास में जवाबदेही और पारदर्शिता को बढ़ावा देने के लिए एक उपकरण प्रदान करती है, जो बौद्धिक संपदा उल्लंघन और अनधिकृत मॉडल प्रतिकृति का पता लगाने में सहायता कर सकती है।
सीमाएँ: लेखक विनम्रतापूर्वक स्वीकार करते हैं कि हालांकि MBD पेयरवाइज होमोलॉजी डिटेक्शन में उत्कृष्ट है, लेकिन यह अभी तक जटिल फाइलोजेनेटिक (phylogenetic) प्रश्नों (जैसे, तीन या अधिक मॉडलों के बीच सटीक विकासवादी वृक्ष या सामान्य पूर्वजों को निर्धारित करना) को हल नहीं करता है।

संक्षेप में, MDIR LLM वेट्स की उत्पत्ति (provenance) को सत्यापित करने के लिए एक गणितीय रूप से सुदृढ़, इन्फरेंस-मुक्त, और अत्यधिक सटीक ढांचा प्रदान करता है, जो उन सूक्ष्म विकासवादी संबंधों का पता लगाने में सक्षम है जिन्हें पिछले ब्लैक-बॉक्स या समानता-आधारित तरीके मिस कर देते हैं।