یکی از بزرگترین چالشهای مدلهای زبانی بزرگ (LLMs)، مسئله کپیرایت و سوءاستفاده از محتواست. روشهای فعلی واترمارکگذاری معمولاً سرعت مدل را بهشدت کاهش میدهند یا کیفیت خروجی را خراب میکنند.
محققان در مقاله جدیدی، روش خلاقانه WaterMoE را معرفی کردهاند که مخصوص مدلهای «ترکیب کارشناسان» (MoE) طراحی شده است. این سیستم به جای تغییرات در مرحله خروجی، واترمارک را در حین فرآیند انتخاب کارشناس (Router) در لایههای مدل جاسازی میکند. نتیجه؟
✅ بدون افت کیفیت محسوس
✅ افزایش ۴ برابری سرعت نسبت به روشهای مشابه
✅ عدم تحمیل بار محاسباتی اضافه در زمان استنتاج
این یعنی قدمی بزرگ برای امنتر کردن مدلهای هوش مصنوعی بدون قربانی کردن کارایی! 🚀
منبع: arXiv AI