Исследователи Meta разработали метод для обнаружения дистиллированных ИИ-моделей, который с ложноположительной率 0,1% выявил 79% протестированных скопированных моделей без доступа к их внутренней структуре. Технология под названием WM-Basin направлена на модели, обученные с использованием выходных данных «учителя» с водяными знаками; соответствующая статья опубликована 27 октября 2026 года.
Ключевые моменты
- WM-Basin анализирует текст, сгенерированный API, а не веса модели или логиты.
- Meta оценила эту технологию на 1 200 студенческих моделях.
- Этот метод сохраняет способность обнаружения при различных модификациях моделей, но его эффективность снижается после дальнейшей тонкой настройки и переписывания с использованием чистых данных.
Как WM-Basin обнаруживает дистиллированные AI-модели
WM-Basin использует отдельную, чистую модель зонда для анализа текста, сгенерированного подозреваемыми моделями дистилляции. Метод был представлен исследователями из Meta FAIR и Meta Superintelligence Labs в статье под названием «Watermark Basins: Black-Box Detection of Distilled LLMs», номер статьи — arXiv:2610.37266.
Исследование рассматривает конкретный сценарий копирования: кто-то собирает ответы модели-учителя с водяными знаками через API и использует эти ответы для обучения модели-ученика. WM-Basin использует только текст, сгенерированный моделью-учеником, чтобы найти доказательства такой обучающей связи.
Детектор подает этот текст в фиксированную пробную модель и преобразует его в градиентное представление — то есть определяет, как будут перемещаться параметры при обучении пробной модели на этом тексте. Затем он выявляет степень согласованности между обычным направлением тонкой настройки и «водяными знаками» в пространстве параметров, связанными с определенным ключом.
Это делает данную технологию методом черного ящика: не требуется доступ к весам или логитам подозрительной модели. Достаточно возможности получать текстовые ответы через API для проведения обнаружения.
79% обнаружения на 1200 студенческих моделях

Исследователи сообщают, что при использовании n-gram=1 истинная положительная скорость WM-Basin достигает 79% при ложной положительной скорости 0,1%; при тех же условиях наивысшая истинная положительная скорость предыдущего черного ящика на уровне токенов составляет всего 29%.
Автор также отмечает, что по мере того как порог обнаружения становится строже, а окно n-грамм увеличивается, преимущество WM-Basin перед конкурентными методами еще больше возрастает.
Оценка охватила 1 200 студентовских моделей с размером от 135 миллионов до 8,2 миллиарда параметров. Исследователи обучили эти модели с использованием траекторий математических рассуждений из OpenR1-Math, охватывая шесть типов студентовских архитектур, различные учительские модели и различные методы водяных знаков.
Эти результаты подтверждают выводы статьи о повышении способности обнаружения дистиллированных ИИ-моделей при оценке математических рассуждений.
Какие изменения сохранят или ослабят эффективность обнаружения?
Исследователи обнаружили, что сигнал обнаружения WM-Basin сохраняется после квантования, обрезания и усиленного обучения с помощью дистилляции. Квантование сжимает модель для снижения стоимости выполнения, а обрезание удаляет часть параметров.
Метод остается более надежным даже при ослаблении сигнала на уровне токена, включая время низкотемпературной выборки.
Однако другие изменения снижают их эффективность. Использование чистых, без водяных знаков данных для масштабной тонкой настройки ослабляет способность обнаружения, а переписывание траекторий вывода учительской модели предоставляет альтернативный путь обхода. Авторы особо отмечают, что продолжение надзираемой тонкой настройки на материалах без водяных знаков относится к этим методам.
Доказательства водяных знаков для разработчиков ИИ
Более высокая скорость обнаружения и более низкий уровень ложных срабатываний могут усилить силу водяных знаков как доказательств в юридических или контрактных рамках для утверждений о копировании модели. Для таких целей особенно важна скорость ложных срабатываний, поскольку она измеряет количество ложных срабатываний, а не успешное распознавание.
В отчете WM-Basin сравнение проводилось при одинаковой ложноположительной скорости 0,1%, при этом истинная положительная скорость составила 79%, в то время как предыдущие методы на уровне токенов достигали 29%. Соответствующие тесты проводились с использованием студентовской модели, обученной на математических трассах рассуждений OpenR1-Math.
Этот текст был создан с помощью искусственного интеллекта и проверен редакционной командой.
Франческо Антонио Руссо
Веб-3.0-предприниматель с более чем 4 годами опыта, специализирующийся на криптовалюте и искусственном интеллекте. Использует междисциплинарные навыки для функционального и ориентированного на тренды управления социальными медиа.

