AI Papers Daily

#Watermarking

2 篇

Watermarkable Multi-Draft Speculative Sampling via Poisson Processes

可水印的多草稿投机采样：基于泊松过程

🧭 LLM 推理加速 · 无偏水印 ★ 深度解读

Imperial College London · University of Washington

利用泊松过程实现多草稿投机采样，同时嵌入无偏水印且不损失采样效率

📌 工作参考价值（4 点）

• 对于线上 LLM 生成服务（商品描述、广告文案、对话等），可直接采用该框架：用 target 大模型 + 轻量 draft 模型做投机采样，在几乎不增加延迟的情况下嵌入可溯源水印，满足合规与内容审核需求。
• 多草稿和 drafter invariance 特性对持续迭代友好：升级或替换 draft 小模型不会改变 target 输出（给定随机种子），保证线上 A/B 测试一致性和缓存可复用，降低回归风险。
• 泊松过程 / 指数竞赛的无偏采样器可迁移到生成式推荐中的语义 ID 采样：从分布中精确采样多个候选，且 keyed randomness 便于 A/B 分桶或水印注入。
• 检测指标 ANLPPT 及其统计检验方法可直接用于评估生成文本的水印强度，在 UGC 内容溯源、广告文案防伪等场景具有工程借鉴价值。

Other | 2026-09-18 | cs.LG | score 8/10

Speculative SamplingWatermarkingPoisson ProcessDrafter InvarianceMulti-DraftLLM Inference

Linear Ensembles Wash Away Watermarks: On the Fragility of Distributional Perturbations in LLMs

线性集成洗去水印：LLM 分布扰动的脆弱性

🧭 LLM 安全 · 水印攻击

Department of Informatics, King's College London · Department of Mathematics, Imperial College London · Department of Statistics, University of Warwick

理论证明并实验验证，简单平均多个水印模型的输出概率即可破坏常见水印方案，并提出了解决异质模型集成难题的 WASH 方法。

📌 工作参考价值（4 点）

• 如果业务用多个 LLM 生成内容（如商品文案、对话回复），通过输出概率平均或 token 级融合，不仅可能无意中抹除内置水印，还能提升生成质量（本文集成 3 模型质量提升 27.5%），可作为工程上的一种提升多样性与可靠性的 trick。
• 依赖水印进行 AI 文本鉴别（如虚假评论检测、内容溯源）的业务需警惕多模型集成攻击：即使对手只能调用 API，也能通过侧信道获取 logits 或近似分布，类似方法可低成本削弱水印；防御方需考虑跨模型协同或更鲁棒的嵌入方式。
• 提出的 WASH 方法解决了不同模型词表、分词不一致的实际难题，利用动态映射和对齐技术实现快速集成（比最佳基线快 6 倍），这种异构模型融合思路可直接用于多模型 A/B 测试在线集成，或构建具备容灾能力的推荐/Agent 生成链路。
• 对于需要反向利用水印的场景（如规避平台查重），本文揭示了只需 3-5 个模型的输出平均即可让检测 z-score 从数百降至 2 以下，提示业务中若采用第三方水印检测服务，其可靠性会因用户多模型选择而大打折扣。

LLM | 2026-05-27 | HF Daily | score 7/10

WatermarkingEnsembleDistributional PerturbationVulnerabilityWASH