대규모 언어 모델 (LLMs)의 광범위한 배포와 재배포는 모델 출처 추적 (model provenance tracking)을 중요한 과제로 만들었습니다. 기존의 LLM 핑거프린팅 (fingerprinting) 방식, 특히 미세 조정 (fine-tuning)을 통해 식별 신호를 삽입하는 능동적 접근 방식은 높은 정확도와 강건성 (robustness)을 달성하지만, 심각한 확장성 병목 현상을 겪고 있습니다. 이러한 방식은 일반적으로 핑거프린트 삽입을 재사용 가능한 기능이 아닌 독립적이고 일회적인 최적화 작업으로 취급하며, 새로운 식별자마다 별도의 자원 집약적인 학습을 필요로 합니다. 이는 과도한 계산 비용과 배포 지연을 초래합니다. 이를 해결하기 위해, 우리는 핑거프린팅을 조건부 파라미터 생성 (conditional parameter generation) 작업으로 재정의한 최초의 프레임워크인 Prompt2Fingerprint (P2F)를 제안합니다. 특화된 생성기 (generator)를 활용함으로써, P2F는 단 한 번의 순전파 (forward pass)를 통해 텍스트 설명을 저차원 파라미터 증분 (low-rank parameter increments)으로 직접 매핑하며, 추가적인 모델 재학습 없이도 플러그 앤 플레이 (plug-and-play) 방식의 LLM 핑거프린트 삽입을 가능하게 합니다. 우리의 실험은 P2F가 높은 핑거프린트 정확도, 무해성 (harmlessness), 그리고 강건성을 유지하면서도 계산 오버헤드를 크게 줄인다는 것을 입증하며, LLM 소유권 관리를 위한 확장 가능하고 즉각적인 솔루션을 제공합니다.