Neues Framework CATMark verbessert Wasserzeichen in LLMs ohne Qualitätsverlust
Wasserzeichen-Algorithmen für große Sprachmodelle (LLMs) erkennen maschinell erzeugte Texte, indem sie versteckte statistische Merkmale einbetten. Diese Einbettung führt jedoch häufig zu einem Qualitätsverlust, besonders in Szenarien mit geringer Entropie, wo die Leistung verbessert werden muss. Bestehende Ansätze, die auf Entropie‑Schwellen setzen, erfordern umfangreiche Rechenressourcen für die Feinabstimmung und zeigen wenig Flexibilität bei unbekannten oder cross‑Task‑Generierungssituationen.
