大模型分級安全水印技術

隨著大型語言模型（LLM）生成的文字內容日益普及，如何在人工智慧產出的資訊中嵌入可供辨識的記號，同時又能兼顧資訊安全與隱私保護，已成為學術界與業界關注的焦點。目前常見的對策是在模型輸出時加入數位浮水印，讓系統得以區分合成文本與人類書寫，或進一步嵌入版本、時間戳等元資料。然而，現有的多位元浮水印技術存在一項關鍵限制：驗證任何一部份的浮水印時，都必須揭露完整的內嵌訊息。這種「全有全無」的設計不僅缺乏彈性，更可能導致不必要的資訊外洩，引發嚴重的隱私疑慮。

針對上述痛點，一項由 Xuyang Chen、Xiang Li、Yangxinyu Xie 與 Qi Long 共同提出的研究成果，發表了名為「階層式詞彙路由」（Hierarchical Vocabulary Routing，簡稱 HeRo）的全新浮水印框架，直接挑戰既有技術的盲點。該論文已被機器學習頂尖會議 ICML 2026 收錄，並在預印本平台 arXiv 上公開，迅速引起學術界與安全領域的討論。

現有的浮水印技術大致可分為兩類：零位元（zero-bit）方案僅用於判別文字是否由語言模型生成，適用於偵測深偽內容；多位元（multi-bit）方案則能夠嵌入更多元的資訊，例如模型版本、生成時間、使用者識別碼等。然而，多位元方案的驗證機制存在明顯的不足——驗證某一段元資料時，整個浮水印承載的訊息都必須被解碼，這意味著即便只是想確認某個特定屬性，系統也會暴露其他不相關的敏感資訊，在隱私與合規要求日益嚴格的環境中難以落地。HeRo 框架的核心貢獻在於實現「選擇性揭露」（selective disclosure）。

研究團隊利用階層式結構，將詞彙表（vocabulary）反覆進行遞迴分割，並將浮水印資訊分散配置於不同的層級中。如此一來，系統便可依照驗證者的權限等級，只允許其解開相對應層級的承載內容，而無法存取較高層級或非授權的資訊。這種設計讓浮水印的驗證不再是一翻兩瞪眼的全面攤牌，而是能依照需求進行精準的細粒度存取控制。從技術面來看，HeRo 的運作過程與語言模型的取樣邏輯緊密整合。在模型生成文字的當下，系統會依據預先定義的階層路由規則，在不同的詞彙子集中嵌入對應的浮水印位元。驗證時，具備特定權限的驗證者只擁有該層級的路由金鑰，只能解碼出該層級的訊息，而無法窺探其他層級的內容。

這種方式相當於在浮水印內部建立了一套權限分級體系，符合現實場景中對資料最小揭露的隱私要求。更重要的是，這項方法設計上保持了底層取樣程序的無偏性（unbiasedness）。過去部分浮水印技術為了嵌入訊號，往往會扭曲機率分佈，導致生成文字品質下降或出現重複模式。HeRo 透過嚴謹的數學論證與階層路由的設計，在不影響語言模型原始生成分佈的前提下完成資訊嵌入，從而使輸出的文字依然保持流暢自然。實驗結果也證實，該方法在文本品質上與未添加浮水印的版本幾乎沒有差異。在實測表現方面，研究團隊在多個基準測試上進行評估，結果顯示 HeRo 能夠在極低的延遲下達到高檢測準確度。

即便面對較長的生成序列或複雜的權限分層結構，系統依然維持穩定效能，彰顯其具備實際部署的可行性。論文也強調，該框架支援靈活的權限設定，適用於從簡單的二元驗證到多層級的組織授權情境。這項研究的應用前景相當廣泛。例如在不同部門共享同一套語言模型輸出時，管理階層可能希望能夠驗證所有資訊，而基層員工只需要確認該文字來源可靠即可。透過選擇性揭露浮水印，系統可在不增加隱私風險的情況下滿足多方需求。此外，對於生成式 AI 服務的開發者來說，此法也能作為合規審計的輔助工具，在不洩漏使用者資料的前提下舉證內容來源。

隨著 ICML 2026 的正式發表，HeRo 架構已被視為大型語言模型浮水印技術邁向實用化與隱私保護的關鍵進展。研究團隊也同步開放了相關程式碼供學術研究與工業應用參考。未來若能進一步優化整合流程，此技術極有可能成為 AI 內容治理中不可或缺的基礎元件，協助社會在擁抱生成式 AI 的同時，守住資訊安全與個人隱私的底線。