Может ли обнаружение водяных знаков LLM быть публичным?

arXiv:2610.12106v1 Annuate Type: кросс-бюллетень: Популярны модели на больших языках для отслеживания болтов и агентских выходов, однако детекторы остаются нераспечатанными, поскольку их разоблачение может позволить нападающим производить целенаправленные редактирования с обратной связью детектора. Однако водяные знаки уже уязвимы перед неосведомленными нападениями. Таким образом, мы сначала подсчитали, будет ли публичный детектор дополнительным бременем в условиях развертывания на различных уровнях доступа - от символических баллов до двоичного вердикта. Во-вторых, мы внедряем метод размытого государственного и частного водяных знаков, который открывает один ключ с помощью публичного детектора при сохранении другого для полной проверки и судебной экспертизы. Информированный нападающий может лишь поменять общественный сигнал, создавая дисбаланс между государственными и частными оценками. Мы введем статистический тест на этот дисбаланс и объединим его с полным ключевым вердиктом двухэтапного механизма. В-третьих, мы оцениваем метод разделения ключей в широком диапазоне удаления и подделки