Бассейн водяных знаков: обнаружение дистилляционных ПММ с черной коробкой

arXiv:2610.37266v1 Annualce Type: кросс-бюллетень: модели языка и их логические следы уязвимы для дистилляции на основе API, где противник обучает студенческую модель результатам модели учителя. Чтобы получить доказательства перегонки, провайдеры моделей могут запоминать результаты работы учителя с целью оставить радиоактивный сигнал в материалах ученика. Существующие детекторы черной коробки ищут такую радиоактивность с использованием символических статистических данных о подозрительных результатах модели. Однако сигналы уровня знаков не всегда поддаются обнаружению, например в тех случаях, когда следы дистилляции отбираются при низкой температуре. В ходе этой работы мы обнаруживаем водомарковый бассейн, стойкий сигнал, который позволяет более надежно выявлять водяные знаки: во время точной настройки следы учителя с водной маркировкой ввели отдельный геометрический сигнал по ключам в пространстве параметров, лежащий ортогонально к обычному подпространству с конкретной задачей. Основываясь на этом, мы введем регулировку бассейна водяных знаков (WM-Basin), bl