准则引导的水印嵌入

arXiv:2610.09552v1 公告类型：交叉发布 摘要：水印使语言模型提供商能够识别其模型生成的文本。然而，水印的理想属性之间可能存在冲突（即更强的水印信号可能降低文本质量），而能够抵抗编辑的设计也可能助长伪造。提供商通过选择平衡相互竞争的目标或优先满足特定属性的配置，来应对这些权衡。这两种方法都会对需求不同的请求采用统一的运行配置，可能在措辞保留至关重要的场景中牺牲质量，或在可靠归因不可或缺的场景中牺牲鲁棒性。为实现灵活且可适应的设计，我们提出了准则引导的水印嵌入框架，它根据以自然语言原则列出的提供商要求，为请求选择恰当的权衡方案。在离线阶段，预训练的推理智能体结合水印实现审查准则规则，并利用实证反馈迭代优化针对各条规则的配置。在部署阶段，独立的监控器识别适用规则并检索相应策略（包括水印豁免策略），而无需修改提供服务的模型。此外，该框架支持根据不断变化的提供商要求，对各条规则对应的配置进行离线并行优化和细化，且不影响部署；同时将每个已部署配置与其评估证据绑定，使部署决策可供审计。在使用 KGW 和一套包含五条规则的准则进行的概念验证评估中，该框架能够根据提供商的优先事项选择配置；相较于固定配置，在优先考虑鲁棒性的请求上，改写后的检测率最高提升了 $14$ 个百分点，同时在标称误报率为 $0.1\%$ 时，整体质量和未经修改文本的检测表现均达到或超过所有基线。