CATMark：面向大型语言模型的基于上下文感知阈值的鲁棒跨任务水印框架
密码学与安全
2025-10-06 v1 人工智能
计算与语言
摘要
大型语言模型（LLM）的水印算法通过在文本中嵌入和检测隐藏的统计特征来有效识别机器生成的内容。然而，这种嵌入会导致文本质量下降，尤其是在需要提升性能的低熵场景中。依赖熵阈值的现有方法通常需要大量计算资源进行调优，并且在面对未知或跨任务生成场景时表现差。我们提出了基于上下文感知阈值的水印框架 （Context-Aware Threshold watermarking），该框架根据实时语义上下文动态调整水印强度。 使用逻辑聚类将文本生成划分为语义状态，建立基于上下文的熵阈值，在结构化内容中保留忠实度，同时嵌入鲁棒的水印。关键在于无需预定义阈值或任务特定调优。实验表明， 在跨任务场景中提升了文本质量，而未牺牲检测准确性。
引用
@article{arxiv.2510.02342,
title = {CATMark: A Context-Aware Thresholding Framework for Robust Cross-Task Watermarking in Large Language Models},
author = {Yu Zhang and Shuliang Liu and Xu Yang and Xuming Hu},
journal= {arXiv preprint arXiv:2510.02342},
year = {2025}
}