LLM 기원(Provenance) 테스트는 의심되는 LLM이 소스(source)와 동일한 계보(lineage)에 속하는지를 묻습니다. 기존의 블랙박스(black-box) 방법들은 주로 응답 수준의 특성으로부터 이러한 관계를 추론하지만, 이러한 특성들은 근본적인 의미가 변하지 않더라도 적응(adaptation)이나 배포(deployment) 과정에서 변화할 수 있어 기원 증거의 신뢰성을 약화시킵니다. 이러한 한계를 해결하기 위해, 우리는 개방형 출력(open-ended outputs)을 유한한 결정 공간(finite decision space)으로 매핑하여 유도된 결정 영역(induced decision regions)을 도입하며, 이를 통해 표면 형태의 변동(surface-form variation)을 추상화하고 기원 테스트를 결정 영역의 상속(inheritance)을 측정하는 문제로 재구성합니다. 실증적 분석 결과, 소스의 유도된 영역은 관련 없는 모델보다 관련 모델에서 더 강력하게 보존됨을 보여줍니다. 이 신호를 바탕으로, 우리는 유도된 결정 영역 상속을 안정적으로 추정하기 위해 안정성(stability), 강건성(robustness), 특이성(specificity)을 상호 보완적인 프로브 선택(probe-selection) 원칙으로 운용하는 실용적인 블랙박스 LLM 핑거프린팅(fingerprinting) 방법인 Stemma를 제안합니다. 56개의 공개 체크포인트(checkpoints)에서 추출되어 다양한 모델 가중치 변환(model-weight transformations)을 포괄하는 770개의 소스-의심 모델 쌍에 대해, Stemma는 0.967 AUC와 1% FPR에서 87.8% TPR을 달성하며 4개의 대표적인 베이스라인(baselines)을 크게 능가했습니다. 또한 91개의 배포 사례를 포함하는 1,260개의 쌍에 대해 1% FPR에서 0.995 AUC와 93.5% TPR을 달성하여, 다양한 추론 시점 배포 설정에 대한 강건성을 입증했습니다.