面向开源语言模型的可证明稳健水印

论文提出一种面向开源大模型的水印方案，通过修改模型参数嵌入水印，并可从模型输出中检测。作者证明，在关于攻击者知识的特定假设下，该水印不可移除。在 OPT-6.7B 和 OPT-1.3B 上的实验显示，方案对 token 替换和模型参数扰动具有稳健性；其中更强的参数扰动攻击需将质量分数降至 0/100，才能把检测率降到 50%。