面向大量自适应用户的语言模型水印

我们研究针对语言模型的水印方案并给出可证明的保证。正如我们所展示的，现有工作对自适应提示没有鲁棒性保证：即使用户查询语言模型不止一次（即便是善意的用户也是如此）。且除唯一一个例外（Christ和Gunn，2024）之外，现有工作局限于零位水印：只能检测AI生成文本，但无法从水印中提取额外信息。不幸的是，仅检测AI生成文本可能无法防止未来的滥用。我们引入多用户水印，该方案即使在面对自适应提示时，也能将模型生成文本追溯到单个用户或联合作弊的用户组。我们从不可检测、具有自适应鲁棒性的零位水印方案（并证明了Christ、Gunn和Zamir（2024）的不可检测零位方案具有自适应鲁棒性）构建多用户水印方案。重要的是，我们的方案同时提供零位和多用户保障。它对较短的文本片段检测效果与原始方案相同，并且能将较长的摘录追溯到具体个人。主要技术组件是从零位水印构造消息嵌入水印的方案。我们的工作是语言模型水印领域首个通用的方案间化简。对于此类化简，唯一的挑战在于缺乏一种统一的鲁棒性抽象——即标记文本在编辑后仍可被检测。我们引入一种新的统一抽象，称为AEB鲁棒性。AEB鲁棒性表明，只要经过编辑的文本“足够接近”模型生成输出的多个块，就能检测到水印。