یکی از چالشهای بزرگ در تشخیص محتوای تولید شده توسط LLMها، تعادل بین «تشخیصپذیری» و «تخریب معنایی» است. روشهای فعلی بیشتر بر تنظیمات دستی (Heuristic) تکیه دارند که چندان دقیق نیست.
محققان در پژوهش جدیدی، یک چارچوب آماری «کالیبره شده با توان» (Power-Calibrated) ارائه دادهاند که به جای حدس و گمان، با محاسبات دقیق، رابطه بین پارامترهای واترمارک و دقت تشخیص را بهینهسازی میکند. این یعنی حالا میتوانیم واترمارکهایی طراحی کنیم که هم برای تشخیص دقیقتر هستند و هم کیفیت متن را به حداقل کاهش میدهند. یک گام رو به جلو برای شناسایی هوشمندانه خروجیهای مدلهای زبانی! 🛡️✨
منبع: arXiv Machine Learning