Jovanović et al.

新的水印方法增强了大型语言模型代理的溯源能力，使其更能抵抗伪造

研究人员开发了一种名为语义行为水印（SBW）的新方法，可以在不改变其输出令牌的情况下，将溯源信息嵌入到大型语言模型代理的行为中。与之前容易受到简单释义或伪造攻击的方法不同，SBW 基于语义行为集群，并使用带密钥的抗碰撞分箱技术来防止对手创建伪造的轨迹。该方法在各种大型语言模型代理和基准测试中表现出对释义和伪造的鲁棒性显著提高，但并未完全解决链式重放攻击。