🤖 machine learning

MC $^2$ Mark: Distortion-Free Multi-Bit Watermarking for Long Messages

El artículo presenta MC $^2$ Mark, un marco de marcaje de agua multibit sin distorsión que utiliza reponderación de tokens coloreada multicanal y reponderación secuencial multicapa para lograr una detección robusta y una recuperación precisa de mensajes largos en textos generados por modelos de lenguaje grandes sin comprometer su calidad.

Autores originales: Xuehao Cui, Ruibo Chen, Yihan Wu, Heng Huang

Publicado 2026-02-17

📖 4 min de lectura☕ Lectura para el café

CC BY 4.0

Autores originales: Xuehao Cui, Ruibo Chen, Yihan Wu, Heng Huang

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

MC2MARK: El "Tatuaje Invisible" que Cuenta Historias Largas sin Arruinarlas

Imagina que los grandes modelos de lenguaje (como los que escriben este texto) son como chefes geniales que cocinan platos deliciosos (textos) que parecen hechos por humanos. El problema es que, a veces, no sabemos quién cocinó el plato: ¿fue un humano o una máquina? Y si fue una máquina, ¿podemos rastrear su origen?

Para resolver esto, los científicos han creado "marcas de agua" (como un sello invisible en el papel). Pero hasta ahora, había un gran problema: cuanto más larga era la historia que querían esconder en el texto, más "sabroso" se volvía el texto y más fácil era de detectar la marca. Era como intentar poner un mensaje secreto en un pastel: si el mensaje era muy largo, el pastel se volvía amargo y nadie quería comerlo.

Aquí es donde entra MC2MARK, una nueva invención que soluciona este problema. Vamos a explicarlo con analogías simples.

1. El Problema: El Pastel Amargo

Antes, si querías esconder un mensaje largo (como un código de identificación de 256 bits) en un texto, tenías que forzar al modelo a elegir palabras específicas. Esto arruinaba la fluidez del texto (el "sabor"). Además, si el mensaje era muy largo, la marca de agua se volvía tan débil que nadie podía encontrarla.

2. La Solución: MC2MARK (El Chef Mágico)

MC2MARK es como un chef que tiene un truco secreto. Puede poner un mensaje muy largo en el texto sin cambiar ni un gramo de su sabor. Lo hace usando dos ideas geniales:

A. El "Rejuego de Colores" (Multi-Channel Colored Reweighting)

Imagina que el vocabulario de la máquina (todas las palabras posibles) es una caja llena de bolas de colores.

Normalmente, la máquina elige una bola al azar según su probabilidad natural.
Con MC2MARK, el modelo recibe un mensaje secreto (por ejemplo, 10110).
El sistema divide las bolas en grupos. Si el mensaje dice "1", el sistema ilumina las bolas de ese grupo (las hace más atractivas). Si dice "0", las apaga un poco.
El truco mágico: El sistema hace esto de tal manera que, si promediamos todas las posibilidades, el sabor del texto no cambia en absoluto. Es como si ilusionaras a un niño para que elija una manzana roja en lugar de una verde, pero al final, la probabilidad de que coma una manzana roja sigue siendo la misma que antes. ¡El texto sigue siendo perfecto!

B. La "Torre de Capas" (Multi-Layer Sequential Reweighting)

Poner un mensaje largo en un solo paso es difícil. Imagina que intentas escribir un libro entero en una sola línea de texto; se ve mal.

MC2MARK escribe el mensaje capa por capa, como si fuera una torre de bloques.
Usa varias "capas" de reglas secretas (como si tuvieras 20 chefs trabajando juntos, cada uno añadiendo una pizca de sabor secreto).
Cada capa refuerza la señal del mensaje. Al final, aunque cada capa sea sutil, juntas forman una señal fuerte y clara que es muy difícil de borrar.

3. El Detective: "Acumulando Evidencia"

Cuando alguien quiere leer el mensaje oculto (detectar la marca de agua), no necesita adivinar. Usan un detective muy paciente.

En lugar de mirar una sola palabra, el detective revisa todo el texto, capa por capa.
Cada vez que ve una palabra que "iluminó" el sistema, anota un punto a favor de la hipótesis "1". Si ve una palabra que "apagó" el sistema, anota un punto para "0".
Al final, suma todos los puntos. Aunque el mensaje sea muy largo y el texto sea enorme, la evidencia se acumula hasta que el detective puede decir con casi total seguridad: "¡El mensaje secreto era este!".

¿Por qué es tan importante esto?

Los experimentos del papel muestran que MC2MARK es un campeón:

Cualidad: Los textos siguen sonando humanos y naturales (no se arruina el "pastel").
Longitud: Puede esconder mensajes muy largos (hasta 256 bits o más) sin perder fuerza.
Resistencia: Si alguien intenta borrar la marca de agua cambiando algunas palabras o parafraseando el texto (como un traductor o un editor), MC2MARK sigue siendo detectable. Es como un tatuaje que no se borra aunque te laves la piel.

En Resumen

MC2MARK es como un sistema de seguridad invisible para la inteligencia artificial. Permite a los modelos escribir textos largos y perfectos, mientras esconde una "huella digital" compleja que nos permite saber quién lo escribió y rastrear su origen, sin que nadie se dé cuenta de que la marca existe. Es la clave para que el futuro de la IA sea transparente y seguro.

1. El Problema

El avance de los Modelos de Lenguaje Grande (LLM) ha hecho que el texto generado por máquinas sea indistinguible del humano, lo que plantea riesgos de uso indebido y problemas de autenticidad. Si bien existen métodos de marca de agua estadística para detectar texto generado, presentan limitaciones críticas:

Pérdida de calidad: Muchos métodos distorsionan la distribución de probabilidad del modelo, degradando la calidad del texto.
Capacidad limitada: Los métodos existentes suelen ser de "un solo bit" (solo indican si el texto tiene marca de agua o no), lo que no permite la trazabilidad de procedencia (identificar al usuario o modelo específico).
Escalabilidad: Los métodos de múltiples bits que intentan mantener la calidad (sin distorsión) sufren una caída drástica en la detectabilidad y robustez a medida que aumenta la longitud del mensaje a incrustar, volviéndose ineficaces para mensajes largos.

2. Metodología: MC2MARK

Los autores proponen MC2MARK, un marco de marca de agua de múltiples bits libre de distorsión diseñado para la incrustación y recuperación fiable de mensajes largos. Su funcionamiento se basa en tres pilares técnicos:

A. Reponderación de Colores Multicanal (MCCR - Multi-Channel Colored Reweighting)

Esta es la idea central para incrustar datos sin alterar la distribución original del modelo en expectativa:

Partición del Vocabulario: El vocabulario se divide en $n$ subconjuntos disjuntos (canales).
Asignación de "Colores": Cada bit del mensaje asigna un "color" a un subconjunto:
- Si el bit es 1, el subconjunto es verde (se aumenta su probabilidad).
- Si el bit es 0, el subconjunto es rojo (se atenúa su probabilidad).
Optimización Sin Sesgo: Se formula un problema de optimización para encontrar factores de escala que maximicen la masa de probabilidad de los subconjuntos verdes, sujeto a la restricción de que la distribución esperada sobre todas las claves de marca de agua permanezca idéntica a la original ( $E[P_{M,w}] = P_M$ ).
Heurística Eficiente: Dado que calcular la solución óptima exacta es costoso, se propone una solución heurística que ajusta las escalas de manera uniforme para los subconjuntos verdes y redistribuye la probabilidad sobrante ("overflow") proporcionalmente, garantizando la normalización y la libertad de distorsión.

B. Reponderación Secuencial Multicapa (MLSR - Multi-Layer Sequential Reweighting)

Para fortalecer la señal de la marca de agua y mejorar la robustez:

El proceso de generación se realiza en múltiples capas ( $m$ capas).
En cada paso de tiempo, se aplican $m$ claves de marca de agua distintas secuencialmente.
Cada capa repondera la distribución resultante de la capa anterior.
Dado que cada capa individual es libre de distorsión, la composición de múltiples capas también preserva esta propiedad.

C. Recuperación de Mensajes por Acumulación de Evidencia

El detector no necesita acceso al mensaje original ni al espacio de mensajes durante la detección:

Reconstrucción Determinista: Utilizando las claves derivadas del texto generado, el detector reconstruye las particiones y máscaras utilizadas durante la generación.
Contadores de Acierto (Hit Counters): Para cada bit del mensaje, el detector acumula evidencia estadística. Si un token generado pertenece a un subconjunto "verde" bajo una configuración específica, esto aporta evidencia a favor de que el bit correspondiente era 1 (o 0, dependiendo de la máscara).
Normalización: Se calcula una tasa de aciertos normalizada comparando la evidencia acumulada para la hipótesis de bit 1 frente a la hipótesis de bit 0, mitigando el sesgo introducido por las máscaras aleatorias.

3. Contribuciones Clave

Nuevo Marco de Marca de Agua: MC2MARK es el primer método que logra incrustar mensajes largos (hasta 512 bits) de manera libre de distorsión con alta fiabilidad.
Técnicas Innovadoras: Introducción de la Reponderación de Colores Multicanal para codificación eficiente y la Acumulación de Evidencia para una recuperación robusta sin necesidad de acceso al espacio de mensajes.
Rendimiento Superior: Demostración empírica de que el método supera consistentemente a los métodos existentes (MPAC, BiMark) en detectabilidad y robustez, manteniendo la calidad del texto.

4. Resultados Experimentales

Los experimentos se realizaron en varios conjuntos de datos (resúmenes de libros, noticias falsas, QA financiero, etc.) utilizando modelos como Qwen2.5-3B.

Detectabilidad (Precisión):
- Para mensajes cortos (16-64 bits), MC2MARK alcanza una precisión cercana al 100% en todos los conjuntos de datos.
- Para mensajes largos (256 bits), MC2MARK logra una precisión del 91-97%, superando al segundo mejor método (BiMark) en casi un 30%.
- A diferencia de los métodos anteriores, la precisión de MC2MARK no se degrada significativamente al aumentar la longitud del mensaje.
Robustez:
- Sustitución de Tokens: Mantiene una precisión >90% incluso con una sustitución aleatoria del 30% de los tokens para mensajes cortos.
- Parafraseo (Dipper): Muestra la mayor resistencia frente a ataques de reescritura de texto en comparación con MPAC y BiMark.
Libertad de Distorsión (Calidad):
- En tareas de resumen y traducción automática, MC2MARK mantiene métricas de calidad (BERTScore, ROUGE, Perplejidad, BLEU) casi idénticas a las del texto sin marca de agua, demostrando que no degrada la fluidez ni la semántica.
Estudios de Ablación:
- Se confirma que el uso de máscaras (mask bits) es crucial para mensajes largos.
- El rendimiento se satura positivamente alrededor de 10-20 capas de reponderación; más capas no mejoran significativamente el resultado y pueden incluso reducirlo ligeramente.

5. Significado e Impacto

MC2MARK representa un avance significativo en la seguridad y trazabilidad de la IA generativa. Al resolver el compromiso (trade-off) entre la capacidad de incrustación de mensajes largos y la preservación de la calidad del texto, ofrece una solución práctica para:

Trazabilidad de Procedencia: Permitir identificar no solo que un texto es generado por IA, sino también el modelo específico o el usuario que lo generó.
Regulación: Proporcionar una base técnica para regular el contenido generado por LLMs en comunicaciones públicas.
Uso Responsable: Facilitar la detección de desinformación y el uso indebido de modelos de lenguaje sin sacrificar la utilidad del texto generado.

En resumen, MC2MARK establece un nuevo estándar para las marcas de agua de múltiples bits, logrando una precisión casi perfecta en mensajes largos sin distorsionar la salida del modelo.