💻 computer science

MirrorMark: A Distortion-Free Multi-Bit Watermark for Large Language Models

تُعد MirrorMark تقنية جديدة للعلامات المائية متعددة البتات لنماذج اللغات الكبيرة، حيث تقوم بتضمين رسائل قوية وقابلة للكشف دون تشويه توزيع احتمالية الرموز (tokens)، مما يحافظ على جودة النص مع التفوق بشكل كبير على الأساليب الحالية في معدلات الدقة والكشف.

المؤلفون الأصليون: Ya Jiang, Massieh Kordi Boroujeny, Surender Suresh Kumar, Kai Zeng

نُشر 2026-04-28

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Ya Jiang, Massieh Kordi Boroujeny, Surender Suresh Kumar, Kai Zeng

البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل

تخيل أنك خباز ابتكرت للتو وصفة مثالية للخبز. تريد التأكد من أنه إذا قام شخص ما ببيع خبزك باسمه الخاص، يمكنك إثبات أنه ملكك. ولكن هناك عقبة: لا يمكنك مجرد وضع ختم ضخم بكلمة "مِلكي" على الرغيف، لأن ذلك سيفسد المظهر والمذاق. ولا يمكنك مجرد الهمس بشفرة سرية داخل العجين، لأنك إذا قطعت شريحة أو أضفت فتاتاً، فستضيع الهمسة.

هذه هي المشكلة التي يحلها MirrorMark لنماذج اللغات الكبيرة (LLMs) — وهي أنظمة الذكاء الاصطناعي التي تكتب النصوص لنا.

إليك كيف يعمل MirrorMark، مقسماً إلى مفاهيم بسيطة:

1. المشكلة في "العلامات المائية" الحالية

فكر في طرق العلامات المائية الحالية كنوعين من الأختام المعيبة:

الختم "المُشوِّه": تحاول بعض الطرق تغيير الوصفة قليلاً لإخفاء سر ما. على سبيل المثال، قد تجبر الذكاء الاصطناعي على اختيار كلمات مختلفة قليلاً عما كان سيختاره عادةً. هذا يشبه إضافة توابل غريبة إلى الخبز لتمييزه. هذا يعمل، لكن طعم الخبز يتغير (جودة النص تنخفض).
الختم "الهش": تحاول طرق أخرى إخفاء السر دون تغيير المذاق. لكنها تشبه الهمس في غرفة مزدحمة. إذا قام شخص ما بتعديل النص (أضاف جملة، أو حذف كلمة، أو أعاد صياغة الكلام)، فستضيع الهمسة، ولن تتمكن من إثبات أن الخبز ملكك بعد الآن.

2. حل MirrorMark: "الانعكاس المثالي"

MirrorMark هو طريقة جديدة لإخفاء رسالة سرية تكون خالية من التشويه (لا تغير المذاق) وقوية (تصمد أمام التعديل).

إنه يستخدم خدعة ذكية تسمى Mod-1 Mirroring.

التشبيه: تخيل أن الذكاء الاصطناعي يختار كلمة بناءً على رمية نرد تهبط في مكان ما بين 0 و 1.
الخدعة: بدلاً من تغيير رمية النرد، يأخذ MirrorMark هذا الرقم ويقوم "بطيه" فوق خط معين (مرآة) اعتماداً على الرسالة السرية التي يريد إرسالها.
السحر: إذا طويت ورقة بشكل مثالي، فإن شكل الورقة لا يتغير؛ بل يبدو مختلفاً فقط من الجانب الآخر. وبالمثل، يقوم MirrorMark بإعادة ترتيب الأرقام العشوائية التي يستخدمها الذكاء الاصطناعي، لكن النمط العام لتلك الأرقام يظل كما هو تماماً.
النتيجة: يكتب الذكاء الاصطناعي نصوصاً تبدو طبيعية وعالية الجودة بنسبة 100%، تماماً كما لو كانت بدون علامة مائية. ولكن مخبأ داخل الاختيارات المحددة للكلمات كود متعدد البتات (مثل بصمة رقمية) يمكن استعادته لاحقاً.

3. "المجدول المتوازن المرتبط بالسياق" (CABS)

حتى مع وجود مرآة مثالية، هناك خطر: ماذا لو قطع شخص ما جزءاً من النص؟ إذا كانت الرسالة السرية موزعة بشكل غير متساوٍ، فقد يؤدي قطع جزء منها إلى حذف الرسالة بأكملها.

يقدم MirrorMark مديراً ذكياً يسمى CABS (المجدول المتوازن المرتبط بالسياق).

التشبيه: تخيل أنك تخفي 100 ملاحظة صغيرة في كتاب طويل. إذا أخفيتهم جميعاً في الفصل الأول، فإذا مزق شخص ما ذلك الفصل، ستفقد كل شيء. إذا أخفيتهم بشكل عشوائي، فقد تتجمع الملاحظات معاً، مما يترك صفحات أخرى فارغة.
كيف يعمل CABS: يعمل CABS كأمين مكتبة حذر. ينظر إلى النص الذي يتم كتابته ويضمن توزيع الملاحظات السرية بالتساوي عبر الكتاب بأكمله.
شبكة الأمان: كما أنه ينشئ "إطارات" أو فصولاً. إذا مزق شخص ما صفحة، يضمن CABS أن الضرر يقتصر على ذلك الإطار الواحد فقط. يظل بقية الكتاب متزامناً، بحيث يمكن تجميع الرسالة المخفية مرة أخرى من الملاحظات المتبقية. هذا يجعل العلامة المائية صعبة التدمير للغاية أمام هجمات النسخ واللصق أو الحذف.

4. ما أظهرته التجارب

اختبر الباحثون MirrorMark مقابل طرق رائدة أخرى باستخدام نماذج ذكاء اصطناعي مثل LLaMA-2.

الجودة: كان النص الذي أنتجه MirrorMark لا يمكن تمييزه عن نص الذكاء الاصطناعي العادي. لم يبدُ آلياً أو غريباً.
الاكتشاف: كان من السهل اكتشاف MirrorMark أكثر من الطرق الأخرى. حتى مع كمية صغيرة من النص (300 كلمة)، استطاع تحديد المحتوى الذي يحمل العلامة المائية بدقة عالية.
القوة (المتانة): عندما حاول المهاجمون "كسر" العلامة المائية عن طريق حذف الكلمات، أو إضافة كلمات جديدة، أو نسخ ولصق أجزاء من النص، صمد MirrorMark بشكل أفضل بكثير من المنافسين.
السعة: يمكنه إخفاء الكثير من المعلومات (متعدد البتات)، وليس مجرد إشارة بسيطة (نعم/لا). وهذا يعني أنه يمكنه حمل تفاصيل مثل "من صنع هذا؟" أو "متى تم صنعه؟".

ملخص

MirrorMark يشبه التوقيع الشبح. فهو لا يترك علامة مرئية على النص، ولا يغير نكهة الكلمات، ولا ينكسر إذا مزقت صفحة من الكتاب. إنه يستخدم "مرآة" رياضية لإخفاء كود معقد داخل العشوائية الطبيعية لكيفية تفكير الذكاء الاصطناعي، مما يضمن بقاء مخرجات الذكاء الاصطناعي عالية الجودة مع إمكانية تتبعها إلى مصدرها.

إليك ملخص تقني مفصل لورقة البحث بعنوان "MirrorMark: علامة مائية متعددة البتات خالية من التشوه للنماذج اللغوية الكبيرة".

1. بيان المشكلة

مع انتشار النماذج اللغوية الكبيرة (LLMs) في إنشاء المحتوى، أصبحت الحاجة إلى إسناد موثوق للمحتوى (Provenance) أمراً بالغ الأهمية لمكافحة المعلومات المضللة وحماية الملكية الفكرية. تواجه تقنيات العلامات المائية الحالية مقايضة جوهرية:

الأسالهم القائمة على التشوه (Distortion-Based): تقوم بتعديل توزيع احتمالية الرموز (مثل عبر تحيز اللوجيت - logit biasing) لدمج الإشارات. ورغم قوتها، إلا أن هذه الأساليب تضعف جودة النص (زيادة الإرباك/Perplexity) وغالباً ما تدعم فقط الكشف ثنائي الحالة (صفر بت).
الأسالهم الخالية من التشوه (Distortion-Free): تحافظ على توزيع الرموز الأصلي للحفاظ على جودة النص. ومع ذلك، فإن الأسالهم الخالية من التشوه الحالية غالباً ما تعاني من ضعف القدرة على الكشف، أو ضعف المتانة ضد هجمات التحرير (الإدراج/الحذف)، أو تفتقر إلى القدرة على دمج بيانات وصفية غنية (حمولة متعددة البتات).
الفجوة: هناك نقص في وجود طريقة توفر في آن واحد حمولة متعددة البتات (لبيانات مثل معرف النموذج أو الطابع الزمني)، وتوليداً خالياً من التشوه (يحافظ على جودة النص)، ومتانة عالية ضد هجمات التحرير.

2. المنهجية: MirrorMark

تعالج MirrorMark هذه التحديات من خلال ثلاثة مكونات أساسية:

أ. انعكاس Mod-1 (آلية الدمج)

بدلاً من تحيز لوجيت الرموز، تقوم MirrorMark بالتلاعب بـ العشوائية في أخذ العينات بطريقة تحفظ القياس.

الآلية: تستخدم خدعة Gumbel-max (المستخدمة في AA) أو عينات البطولة (Tournament Sampling) (المستخدمة في SynthID). تولد هذه الأسالهم قيمة عشوائية $u \sim \text{Uniform}(0,1)$ لتحديد الرمز التالي.
التحويل: لدمج رسالة $M$ مكونة من $m$ بت، يقوم النظام بعكس القيمة العشوائية $u$ حول محور محدد للرسالة $\psi_M = M / 2^{m+1}$ باستخدام عملية انعكاس mod-1:
$\Psi(u; \psi_M) = (2\psi_M - u) \mod 1$
ضمان خلو التشوه: رياضياً، هذا التحويل هو دالة تقابلية حافظة للقياس (measure-preserving involution). إذا كانت $u$ موزعة بانتظام، فإن القيمة المنعكسة $\Psi(u; \psi_M)$ تظل موزعة بانتظام أيضاً. وبناءً على ذلك، تظل احتمالية اختيار الرمز $p(x)$ دون تغيير، مما يضمن عدم وجود تشوه في جودة النص.
فصل الفرضيات: على عكس أسالهم الإزاحة الدورية (مثل ThreeBricks) التي تنشئ فرضيات متماثلة، فإن الانعكاس ينشئ توزيعات متكاملة. بالنسبة للرسالة الصحيحة، تكون القيم المتحولة منحازة نحو 1؛ وبالنسبة للرسائل غير الصحيحة، تكون منحازة نحو 0. وهذا يعظم الفصل الإحصائي بين الرسالة الحقيقية والفرضيات الخاطئة لكل رمز.

ب. المجدول المتوازن المرتبط بالسياق (CABS)

للتعامل مع حمولات متعددة البتات بمتانة ضد التحرير (الإدراج/الحذف)، تقدم MirrorMark نظام CABS لإدارة كيفية تخصيص الرموز لمواضع الرسالة.

المشكلة في التخصيص الساذج: قد يؤدي التخصيص العشوائي البسيط إلى توزيع غير متساوٍ للرموز عبر مواضع الرسالة (بعض المواضع لا تحصل على رموز) وفقدان التزامن عند التحرير.
حل CABS:
- التخصيص المتوازن: يقوم بربط الرموز بمواضع الرسالة بناءً على نافذة السياق، مما يضمن حصول كل موضع على عدد كافٍ من الرموز للفك الموثوق.
- التأطير المرتبط بالسياق: يتم تقسيم التسلسل إلى "أطر" (Frames). يبدأ إطار جديد عندما يستوفي هاش (Hash) نافذة السياق شرطاً معيناً (على سبيل المثال، أن تكون آخر $f$ بتات هي أصفار).
- المتانة: إذا حدث إدراج أو حذف، فإنه يؤثر فقط على الإطار الحالي وربما على حدود الإطار التالي. هذا يمنع انتشار الخطأ عبر التسلسل بأكره، مما يسمح لفك التشفير باستعادة العلامة المائية حتى لو تم تعديل أجزاء من النص.

ج. فك التشفير والكشف

فك التشفيد: لكل موضع رسالة، يقوم فك التشفير بتجميع قيم $u$ المنعكسة من الرموز المخصصة. يستخدم دالة تسجيل (LogScore لـ Gumbel-max، أو WeightedMeanScore أو BayesianScore لـ Tournament sampling) لتحديد الرمز الأكثر احتمالاً $M$ .
الكشف: تُستخدم الرموز المفكوكة لإعادة بناء التوزيع المتوقع. يتم حساب درجة عالمية؛ وإذا تجاوزت حداً معيناً، يتم تحديد النص على أنه يحمل علامة مائية.

3. المساهمات الرئيسية

علامة مائية متعددة البتات خالية من التشوه: MirrorMark هي أول إطار عمل يوسع نماذج أخذ العينات الخالية من التشوه (AA, SynthID) لتشمل حمولات متعددة البتات دون تغيير توزيع مخرجات النموذج اللغوي الكبير.
انعكاس Mod-1: تحويل رياضي مبتكر يدمج المعلومات عن طريق عكس العشوائية في أخذ العينات، مما يعظم التباين بين الفرضيات الصحيحة والخاطئة مع الحفاظ على التوزيع المنتظم.
مجدول CABS: آلية جدولة متينة توازن بين تخصيص الرموز عبر مواضع الرسالة وتعمل على حصر تأثير هجمات التحرير، مما يحسن بشكل كبير من القدرة على الصمود أمام عمليات الإدراج والحذف.
التحليل النظري: يقدم المؤلفون توصيفاً نظرياً لمعدل الخطأ المتساوي (EER)، ويربطه بإنتروبيا التسلسل وعدد الرموز، وهو ما يتوافق تماماً مع النتائج التجريبية.

4. النتائج التجريبية

أُجريت التجارب باستخدام LLaMA-2-7B و Gemma-7B-it على مجموعتي بيانات C4 و ELI5.

جودة النص: تحقق MirrorMark درجات إرباك (Perplexity) ودرجات جودة (GPT-4o) لا يمكن تمييزها عن النص غير المحمي بالعلامة المائية. في المقابل، تظهر الأسالهم القائمة على التشوه (مثل MPAC و RSBH) تدهوراً ملحو la في الإرباك (مثلاً، إرباك RSBH حوالي 32 مقابل 7.2 لـ MirrorMark).
القدرة على الكشف:
- مع دمج 54 بت في 300 رمز، تحسن MirrorMark دقة البت بنسبة 8-12% مقارنة بالأسالهم المتطورة.
- تحدد النصوص التي تحمل علامة مائية بشكل صحيح بنسبة تزيد عن 11% مقارنة بالأسالهم المرجعية عند معدل إيجابي كاذب (FPR) بنسبة 1%.
- تتفوق نسخة MirrorMark القائمة على Gumbel-max عموماً في دقة البت على النسخ القائمة على البطولة، بينما تحافظ كلتاهما على AUC مرتفع (~1.0).
المتانة:
- هجمات النسخ واللصق (Copy-Paste): تحافظ MirrorMark على معدلات كشف عالية (AUC > 0.99) حتى مع استبدال 40% من النص بمحتوى لا يحمل علامة مائية.
- إعادة الصياغة (Paraphrasing): رغم انخفاض دقة البت (كما هو متوقع بسبب التبعيات على مستوى الرموز)، تحافظ MirrorMark على فصل قوي في الـ AUC، متفوقة على الأسالهم صفرية البت في معدلات الكشف.
المقارنة: تتفوق MirrorMark بشكل كبير على ThreeBricks (إزاحة دورية) في دقة البت بسبب أفضل فصل للفرضيات. كما تتفوق على RSBH و MPAC في جودة النص مع مضاهاة أو تجاوزها في المتانة.

5. الأهمية

تمثل MirrorMark تقدماً كبيراً في مجال إسناد المحتوى للذكاء الاصطناعي. من خلال فصل القدرة على الكشف عن تشوه النص، تتيح دمج بيانات وصفية غنية (متعددة البتات) دون المساس بسلاسة أو طبيعية النص المولد. وهذا أمر بالغ الأهمية للنشر في العالم الحقيقي حيث يكون توليد النصوص عالية الجودة أمراً جوهرياً. علاوة على ذلك، فإن تقديم CABS يعالج الثغرة الحرجة في العلامات المائية الحالية تجاه هجمات التحرير، مما يجعل هذه التقنية قابلة للتطبيق لحماية المحتوى في البيئات الديناميكية التي يحررها المستخدمون. كما يوفر الأساس النظري لـ EER إطاراً قابلاً للتنبؤ لضبط معلمات العلامة المائية بناءً على إنتروبيا التسلسل وطوله.