OpenStamp 实测:0.1% 误报近完美检测,抗改写抗微调
danish037 · x · 2026-10-03
OpenStamp 在检测能力与文本质量的权衡上处于 Pareto 前沿,优于其他兼容开源模型的水印方案:在 0.1% 假阳性率下可实现接近完美的检测。
相比基线方法,它对改写攻击、后训练微调、指令微调和量化都更鲁棒。方案由 Miroojin Bakshi、Saksham Rastogi 与 Danish Pruthi 完成,论文将发表于 COLM 2026。
所属事件:OpenStamp 将水印写入模型权重,开源模型也能防删(3 条相关)→
「安全」频道最新
- 为 AI 实验室员工建签证庇护非营利组织的呼吁 — AaronBergman18 · 2026-11-19
- Dwarkesh 断言中国距前沿 AI 实验室仅差 12 小时而非 12 个月 — teortaxesTex · 2026-11-19
- 加州推进AI安全新规:强制基线标准、紧急关闭协议与递归自我改进限制 — EthanJPerez · 2026-11-19
- 活动者将集会 Anthropic 总部,呼吁禁止递归自我改进 RSI — DavidSKrueger · 2026-11-19
- 开发者开源企业级 Agent 审计追踪模型:10 个数据模型找安全工程师挑刺 — TheHamzaShahbaz · 2026-11-19
- AI 暗藏软件后门静候关闭数据中心之日?开发者的末日推演 — bendee983 · 2026-11-19