💬 NLP

Rethinking LLM Watermark Detection in Black-Box Settings: A Non-Intrusive Third-Party Framework

यह शोधपत्र TTP-Detect को प्रस्तुत करता है, जो एक अग्रणी ब्लैक-बॉक्स फ्रेमवर्क है जो प्रॉक्सी मॉडल और सापेक्ष परिकल्पना परीक्षण के माध्यम से डिटेक्शन (पता लगाने) को इंजेक्शन (प्रविष्टि) से अलग करके, मौजूदा सीक्रेट-की स्कीम्स की सीमाओं को पार करते हुए, LLM वॉटरमार्क के गैर-आक्रामक, तीसरे पक्ष के सत्यापन को सक्षम बनाता है।

मूल लेखक: Zhuoshang Wang, Yubing Ren, Yanan Cao, Fang Fang, Xiaoxue Li, Li Guo

प्रकाशित 2026-03-17

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Zhuoshang Wang, Yubing Ren, Yanan Cao, Fang Fang, Xiaoxue Li, Li Guo

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि एक ऐसी दुनिया है जहाँ आर्टिफिशियल इंटेलिजेंस (जैसे कि वे चैटबॉट्स जिनसे आप बात करते हैं) एकदम सटीक निबंध, समाचार लेख और कहानियाँ लिख सकते हैं। यह अद्भुत है, लेकिन यह एक समस्या भी पैदा करता है: हम कैसे जानें कि क्या असली है और क्या नकली?

इसे हल करने के लिए, कंपनियाँ AI टेक्स्ट के भीतर अदृश्य "वॉटरमार्क" डालने की कोशिश कर रही हैं, ठीक वैसे ही जैसे कागजी मुद्रा में एक छिपे हुए सुरक्षा धागे (security thread) होता है। यदि आप नोट को रोशनी के सामने रखते हैं, तो आपको वह धागा दिखाई देता है। यदि नहीं, तो आप उसे पहचान नहीं पाएंगे।

समस्या: "ब्लैक बॉक्स" की दुविधा (The "Black Box" Dilemma)
वर्तमान में, ये वॉटरमार्क एक गुप्त हाथ मिलाने (secret handshake) की तरह हैं। केवल वही कंपनी जिसने AI बनाया है (प्रदाता/Provider), उस गुप्त कोड को जानता है जिससे वॉटरमार्क की जाँच की जा सकती है।

मुद्दा: यदि कोई अदालत या समाचार संपादक यह सत्यापित करना चाहता है कि क्या कोई लेख AI द्वारा लिखा गया था, तो उन्हें कंपनी से पूछना होगा, "हे, क्या यह नकली है?" कंपनी कहती है, "हाँ, यह है।" लेकिन अदालत को बस उन पर विश्वास करना होगा। क्या होगा अगर कंपनी झूठ बोल रही हो? क्या होगा अगर वे यह छिपाना चाहते हैं कि उन्होंने फर्जी खबरें बनाई हैं?
जोखिम: यदि कंपनी अदालत के साथ गुप्त कोड साझा करती है, तो हैकर्स इसे चुरा सकते हैं और वॉटरमार्क को हटा सकते हैं या नकली वॉटरमार्क बना सकते हैं। इसलिए, कोड को गुप्त रहना चाहिए, लेकिन इसका मतलब यह भी है कि कोई और इसकी जाँच नहीं कर सकता।

समाधान: TTP-Detect (द "थर्ड-पार्टी डिटेक्टिव")
यह पेपर एक नया फ्रेमवर्क पेश करता है जिसे TTP-Detect कहा जाता है। इसे एक तटस्थ रेफरी (neutral referee) के रूप में सोचें जो गुप्त रणनीति (playbook) जाने बिना खेल की जाँच कर सकता है।

यह इस प्रकार काम करता है, इस सरल उपमा (analogy) का उपयोग करते हुए:

1. "स्वाद परीक्षण" की उपमा (The "Taste Test" Analogy)

कल्पना कीजिए कि आप एक फूड क्रिटिक हैं जो बाजार के कुकीज़ (AI वॉटरमार्क वाला टेक्स्ट) और घर के बने कुकीज़ (सामान्य टेक्स्ट) के बीच अंतर करने की कोशिश कर रहे हैं।

पुराना तरीका: आप बेकरी से पूछते हैं, "क्या यह बाजार का कुकी है?" वे कहते हैं "हाँ।" आपको उन पर विश्वास करना पड़ता है।
TTP-Detect तरीका: आपको बेकरी की गुप्त रेसिपी जानने की जरूरत नहीं है। इसके बजाय, आप बेकरी से कहते हैं कि वे आपके लिए अभी दो नए कुकीज़ बनाएँ: एक बाजार वाला और एक घर का बना, और दोनों में बिल्कुल समान सामग्री का उपयोग करें जैसा कि रहस्यमय कुकी में किया गया है।
- अब आपके पास तीन कुकीज़ हैं: रहस्यमय वाला, एक बाजार वाला, और एक घर का बना हुआ।
- आप उन सभी का स्वाद लेते हैं। आपको रेसिपी जानने की जरूरत नहीं है; आप बस फ्लेवर प्रोफाइल (स्वाद के गुणों) की तुलना करते हैं।
- यदि रहस्यमय कुकी का स्वाद बाजार वाले कुकी जैसा ही है (और घर के बने कुकी से अलग है), तो आप जान जाते हैं कि वह बाजार का कुकी है।

2. "डिटेक्टिव" कैसे काम करता है (3 चरण)

TTP-Detect सिस्टम एक सुपर-स्मार्ट डिटेक्टिव की तरह काम करता है जो तीन चरणों का पालन करता है:

चरण 1: "शैडो" मॉडल (द प्रॉक्सी)
डिटेक्टिव एक "शैडो" AI (एक छोटा, सस्ता AI) काम पर रखता है ताकि यह सीख सके कि वॉटरमार्क वाला टेक्स्ट कैसा महसूस होता है। यह शैडो AI मूल वाला नहीं है; इसे केवल यह पहचानने के लिए प्रशिक्षित किया गया है कि "AI-लिखित" और "मानव-लिखित" शैलियों के बीच सूक्ष्म अंतर क्या हैं। यह एक कुत्ते को विशिष्ट गंध को सूंघने के लिए प्रशिक्षित करने जैसा है, बिना यह जाने कि वह गंध कैसे बनी।
चरण 2: "रेफरेंस" सेट (द कंट्रोल ग्रुप)
जब कोई संदिग्ध टेक्स्ट आता है, तो डिटेक्टिव AI कंपनी से कहता है: "कृपया उसी शुरुआती वाक्य का उपयोग करके वॉटरमार्क के साथ टेक्स्ट के 16 उदाहरण और वॉटरमार्क के बिना टेक्स्ट के 16 उदाहरण तैयार करें।"
अब डिटेक्टिव के पास एक कंट्रोल ग्रुप है। उनके पास "वॉटरमार्क वाले" नमूनों की एक टोकरी और "साफ" नमूनों की एक टोकरी है।
चरण 3: "रिलेटिव" चेक (द कंपैरिजन)
डिटेक्टिव किसी एक "जादुई नंबर" की तलाश नहीं करता है। इसके बजाय, वह चार अलग-अलग परीक्षणों का उपयोग करता है यह देखने के लिए कि रहस्यमय टेक्स्ट कहाँ फिट बैठता है:
1. लोकल कंसिस्टेंसी (Local Consistency): क्या यह टेक्स्ट समान विचारों के एक पड़ोस में "वॉटरमार्क वाले" समूह के साथ रहता है?
2. ग्लोबल ज्योमेट्री (Global Geometry): क्या टेक्स्ट का समग्र आकार "वॉटरमार्क वाले" समूह जैसा है या "साफ" समूह जैसा?
3. एनर्जी स्कोर (Energy Score): क्या टेक्स्ट "तनावपूर्ण" है या "रिलैक्स्ड" है, जो वॉटरमार्क वाले समूह से मेल खाता है?
4. एडेप्टिव रैंक (Adaptive Rank): क्या टेक्स्ट उसी लय (rhythm) का पालन करता है जो वॉटरमार्क वाले उदाहरणों में है?

अंत में, डिटेक्टिव सभी सुरागों को जोड़ता है। यदि रहस्यमय टेक्स्ट "वॉटरमार्क वाले" समूह के अधिक करीब व्यवहार करता है, तो इसे फ्लैग (चिह्नित) किया जाता है।

यह एक बड़ी बात क्यों है

रहस्यों की आवश्यकता नहीं: डिटेक्टिव को गुप्त कुंजी (secret key) की आवश्यकता नहीं है। उन्हें बस AI से उदाहरण बनाने के लिए कहने की क्षमता चाहिए।
निष्पक्षता: यह AI कंपनी को झूठ बोलने से रोकता है। यदि वे दावा करते हैं कि एक टेक्स्ट "साफ" है, तो डिटेक्टिव ताज़ा उदाहरणों के साथ तुलना करके साबित कर सकता है कि वह वास्तव में "वॉटरमार्क वाला" है।
मजबूती (Robustness): भले ही कोई वॉटरमार्क को छिपाने के लिए टेक्स्ट को संपादित करने की कोशिश करे (जैसे शब्दों को बदलना या वाक्यों को फिर से लिखना), यह सिस्टम पैटर्न की तुलना करने में इतना अच्छा है कि वह अंतर को फिर भी पहचान सकता है।

निष्कर्ष (The Bottom Line)

TTP-Detect खेल को "हम पर विश्वास करें, हमारे पास गुप्त कुंजी है" से बदलकर "हमें सबूत दिखाएं, और हम स्वयं इसकी तुलना करेंगे" में बदल देता है। यह स्वतंत्र ऑडिटर्स, अदालतों और नियामकों को AI कंपनियों की सुरक्षा को तोड़े बिना AI कंटेंट को सत्यापित करने की अनुमति देता है, जिससे एक अधिक निष्पक्ष और पारदर्शी डिजिटल दुनिया का निर्माण होता है।

यहाँ पेपर "Rethinking LLM Watermark Detection in Black-Box Settings: A Non-Intrusive Third-Party Framework" (TTP-Detect) का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

वर्तमान लार्ज लैंग्वेज मॉडल (LLM) वॉटरमार्किंग स्कीमें सीक्रेट-की क्रिप्टोग्राफी (secret-key cryptography) पर निर्भर करती हैं, जहाँ डिटेक्शन मैकेनिज्म, इंजेक्शन मैकेनिज्म के साथ मजबूती से जुड़ा होता है।

दुविधा (The Dilemma): वॉटरमार्क को सत्यापित करने के लिए, एक डिटेक्टर को आमतौर पर सीक्रेट की (secret key) या प्रोवाइडर-विशिष्ट डिटेक्टर तक पहुँच की आवश्यकता होती है। यह स्वतंत्र ऑडिटर्स (अदालत, नियामक, या तीसरे पक्ष) के लिए एक "ब्लैक बॉक्स" बना देता है।
बाधा (The Barrier): सुरक्षा से समझौता किए बिना (की को प्रकट करके) या सर्विस प्रोवाइडर्स के अपारदर्शी दावों पर भरोसा किए बिना स्वतंत्र सत्यापन असंभव है। मौजूदा "पब्लिकली वेरीफिएबल" स्कीमें भी अक्सर विशिष्ट इंजेक्शन डिज़ाइनों या साझा मापदंडों की आवश्यकता रखती हैं, जो विषम मॉडलों (heterogeneous models) के बीच एक तटस्थ, पुन: प्रयोज्य ऑडिटिंग लेयर प्रदान करने में विफल रहती हैं।
लक्ष्य (The Goal): एक की-एग्नोस्टिक (key-agnostic), ब्लैक-बॉक्स फ्रेमवर्क विकसित करना जो एक विश्वसनीय तीसरे पक्ष (Trusted Third Party - TTP) को केवल आउटपुट टेक्स्ट का उपयोग करके वॉटरमार्क का पता लगाने की अनुमति दे, बिना सीक्रेट की, प्रोवाइडर के आंतरिक मॉडल, या विशिष्ट इंजेक्शन एल्गोरिदम तक पहुँच के।

2. कार्यप्रणाली: TTP-Detect फ्रेमवर्क (Methodology: TTP-Detect Framework)

लेखक TTP-Detect का प्रस्ताव करते हैं, जो वॉटरमार्क डिटेक्शन को एक पूर्ण थ्रेशोल्ड टेस्ट (जिसके लिए की की आवश्यकता होती है) से बदलकर एक सापेक्षिक परिकल्पना परीक्षण (relative hypothesis testing) समस्या के रूप में पुनर्परिभाषित करता है। मुख्य विचार यह निर्धारित करना है कि क्या कोई क्वेरी टेक्स्ट अनवॉटरमार्क्ड (unwatermarked) आउटपुट्स की तुलना में वॉटरमार्क्ड आउटपुट्स के सांख्यिकीय वितरण (statistical distribution) के साथ अधिक निकटता से संरेखित होता है।

यह फ्रेमवर्क तीन मुख्य चरणों से बना है:

A. थ्रेट मॉडल और सेटअप (Threat Model & Setup)

पक्ष (Parties): यूजर ( $U$ ), सर्विस प्रोवाइडर ( $S$ ), और विश्वसनीय तीसरा पक्ष ( $D$ )।
बाधाएं (Constraints): $S$ एक मानक API प्रदान करता है जिसमें एक बाइनरी वॉटरमार्क टॉगल है लेकिन वह की (keys) और आंतरिक अवस्थाओं को छिपाता है। $D$ के पास $S$ के लॉजिक तक कोई पहुँच नहीं है।
प्रक्रिया (Process): $D$ $D$ , $S$ $S$ से दो अनुभवजन्य संदर्भ सेट (empirical reference sets) प्राप्त करने के लिए क्वेरी करता है:
1. $\mathcal{T}_{wm}$ : वॉटरमार्क्ड आउटपुट्स।
2. $\mathcal{T}_{o}$ : अनवॉटरमार्क्ड आउटपुट्स।
  ये $H_0$ (नल हाइपोथीसिस) और $H_1$ (अल्टरनेटिव हाइपोथीसिस) के लिए स्थानीय एंकर के रूप में कार्य करते हैं।

B. प्रॉक्सी-आधारित प्रतिनिधित्व निष्कर्षण (Proxy-Based Representation Extraction)

चूंकि ब्लैक-बॉक्स सेटिंग्स में कच्चे टेक्स्ट (raw text) में स्पष्ट वॉटरमार्क सिग्नल नहीं होते हैं, इसलिए TTP-Detect सूक्ष्म विसंगतियों को बढ़ाने के लिए एक प्रॉक्सी मॉडल ( $M_{proxy}$ ) का उपयोग करता है।

प्रशिक्षण (Training): प्रॉक्सी मॉडल को $S$ से प्राप्त युग्मित डेटा (paired data - वॉटरमार्क्ड बनाम अनवॉटरमार्क्ड कंप्लीशन) पर एक डिस्क्रिमिनेटिव ऑब्जेक्टिव का उपयोग करके (LoRA के माध्यम से) फाइन-ट्यून किया जाता है ताकि वॉटरमार्क लेबल की भविष्यवाणी की जा सके।
निष्कर्षण (Extraction): टेक्स्ट को प्रॉक्सी के हिडन स्टेट्स का उपयोग करके एक फीचर स्पेस ( $\mathbb{R}^d$ ) में एनकोड किया जाता है। यह स्पेस सिमेंटिक कॉन्टेक्स्ट और प्रशिक्षण के दौरान आंतरिक रूप से कैप्चर किए गए वॉटरमार्क-विशिष्ट बायस (biases) दोनों को कैप्चर करता है।

C. सापेक्ष माप मॉड्यूल (Relative Measurement Modules)

एक एकल सांख्यिकी पर निर्भर रहने के बजाय, TTP-Detect एक क्वेरी टेक्स्ट ( $t_q$ ) की अनवॉटरमार्क्ड सेट के सापेक्ष वॉटरमार्क्ड संदर्भ सेट के प्रति "समानता" (affinity) को मापने के लिए चार पूरक मॉड्यूल का उपयोग करता है:

लोकल कंसिस्टेंसी टेस्ट (Local Consistency Test):
- यह मापता है कि क्या $t_q$ का रिप्रेजेंटेशन फीचर स्पेस में वॉटरमार्क्ड सैंपल्स से घिरा हुआ है (k-निकटतम पड़ोस और कर्नल डेंसिटी एस्टीमेशन का उपयोग करके)।
- परिकल्पना: वॉटरमार्क्ड टेक्स्ट अन्य वॉटरमार्क्ड टेक्स्ट के साथ स्थानीय रूप से क्लस्टर होते हैं।
ग्लोबल ज्योमेट्री टेस्ट (Global Geometry Test):
- महालनोबिस स्कोर (Mahalanobis Score): यह कोवेरिएंस (PCA का उपयोग करके डाइमेंशनलिटी रिडक्शन) को ध्यान में रखते हुए, वॉटरमार्क्ड बनाम अनवॉटरमार्क्ड वितरण के सेंट्रॉइड्स से $t_q$ की दूरी की गणना करता है।
- एनर्जी स्कोर (Energy Score): उन वितरणों को संभालने के लिए एक नॉन-पैरामीट्रिक डिस्टेंस मेट्रिक जो गॉसियन धारणाओं का उल्लंघन करते हैं।
एडाप्टिव रैंक टेस्ट (Adaptive Rank Test):
- यह जनरेशन डायनेमिक्स (generation dynamics) को लक्षित करता है न कि एम्बेडिंग ज्योमेट्री को।
- यह टोकन-लेवल नेगेटिव लॉग-लाइक्लीहुड (NLL) सांख्यिकी (ग्लोबल क्रॉस-एन्ट्रॉपी और लोकल वोलैटिलिटी) की गणना करता है।
- यह यह निर्धारित करने के लिए एक डायरेक्शन-एडाप्टिव रैंक टेस्ट का उपयोग करता है कि क्या क्वेरी का लाइक्लीहुड पैटर्न विशिष्ट बायस की दिशा की परवाह किए बिना, वॉटरमार्क्ड या अनवॉटरमार्क्ड संदर्भ सेट के साथ अधिक संरेखित है।

D. एन्सेम्बल निर्णय (Ensemble Decision)

चारों मॉड्यूल के स्कोर को एक हल्के, कैलिब्रेटेड लॉजिस्टिक रिग्रेशन मॉडल का उपयोग करके एक एकल एन्सेम्बल स्कोर में एकत्रित किया जाता है।
अंतिम निर्णय थ्रेशोल्ड को सौम्य (benign) टेक्स्ट पर फॉल्स पॉजिटिव रेट (FPR) को सख्ती से नियंत्रित करने के लिए कैलिब्रेट किया जाता है, जिससे नियामक उपयोग के लिए विश्वसनीयता सुनिश्चित होती है।

3. प्रमुख योगदान (Key Contributions)

की-एग्नोस्टिक प्रतिमान (Key-Agnostic Paradigm): डिटेक्शन को इंजेक्शन से अलग करने वाला पहला फ्रेमवर्क, जो सीक्रेट की या प्रोवाइडर के सहयोग के बिना (केवल API एक्सेस के माध्यम से) स्वतंत्र ऑडिटिंग को सक्षम बनाता है।
सापेक्षिक परिकल्पना परीक्षण (Relative Hypothesis Testing): एक नवीन फॉर्मूलेशन जो डिटेक्शन को सीक्रेट की के विरुद्ध एक पूर्ण जांच के बजाय अनुभवजन्य संदर्भ वितरणों के विरुद्ध एक तुलना के रूप में मानता है।
पूरक माप सूट (Complementary Measurement Suite): विविध वॉटरमार्क संकेतों को कैप्चर करने के लिए लोकल कंसिस्टेंसी, ग्लोबल ज्योमेट्री और जनरेशन-टाइम लाइक्लीहुड पैटर्न का एकीकरण।
मजबूती (Robustness): विभिन्न वॉटरमार्किंग एल्गोरिदम (लॉगिट्स-आधारित, सैंपलिंग-आधारित और डिस्ट्रीब्यूशन-प्रिजर्विंग) के माध्यम से और विभिन्न हमलों (एडिटिंग, पैराफ्रेसिंग) के खिलाफ प्रभावी प्रदर्शन।

4. प्रयोगात्मक परिणाम (Experimental Results)

लेखकों ने Llama-3.1-8B और OPT-6.7B को जनरेटर के रूप में उपयोग करते हुए 7 वॉटरमार्किंग स्कीमों (KGW, Unigram, SynthID, SWEET, Unbiased, SymMark, MorphMark सहित) पर TTP-Detect का मूल्यांकन किया।

डिटेक्शन प्रदर्शन (Detection Performance):
- Unigram और SymMark जैसे मजबूत-सिग्नल वाली स्कीमों पर लगभग पूर्ण प्रदर्शन (AUC $\approx$ 1.0) प्राप्त किया।
- KGW और SWEET जैसी क्लासिक स्कीमों पर उच्च प्रदर्शन (AUC > 0.98) बनाए रखा।
- SynthID और Unbiased जैसे सूक्ष्म, डिस्ट्रीब्यूशन-प्रिजर्विंग स्कीम्स को सफलतापूर्वक डिटेक्ट किया (AUC > 0.92), जो की-लेस डिटेक्शन के लिए अत्यंत कठिन माने जाते हैं।
हमलों के प्रति मजबूती (Robustness to Attacks):
- एडिटिंग हमलों (शब्द हटाना, पर्यायवाची प्रतिस्थापन) और पैराफ्रेसिंग हमलों (Dipper, GPT-5.1) के खिलाफ परीक्षण किया गया।
- TTP-Detect ने हमलों के तहत KGW के लिए औसत AUC 0.980 बनाए रखा, जो कई परिदृश्यों में, विशेष रूप से पैराफ्रेसिंग के तहत, बेसलाइन UPV (Unforgeable Publicly Verifiable) से काफी बेहतर प्रदर्शन करता है।
एब्लेशन अध्ययन (Ablation Studies):
- पुष्टि की कि Adaptive Rank Test पैराफ्रेसिंग के खिलाफ मजबूती के लिए सबसे महत्वपूर्ण मॉड्यूल है।
- दिखाया कि प्रॉक्सी मॉडल फाइन-ट्यूनिंग सिग्नल को बढ़ाता है लेकिन फ्रेमवर्क को कार्य करने के लिए अनिवार्य नहीं है (अनट्यून्ड प्रॉक्सी भी >96% प्रदर्शन देती है)।
दक्षता (Efficiency):
- TTP-साइड कंप्यूटेशन (संदर्भ निर्माण को छोड़कर) प्रति क्वेरी < 2 सेकंड लेता है, जो इसे ऑडिटिंग के लिए स्केलेबल बनाता है।

5. महत्व और प्रभाव (Significance and Impact)

शासन और जवाबदेही (Governance & Accountability): TTP-Detect वॉटरमार्क डिज़ाइन और वास्तविक दुनिया की जवाबदेही के बीच के अंतर को पाटता है। यह अदालतों और नियामकों को सर्विस प्रोवाइडर पर भरोसा किए बिना या उनके व्यापारिक रहस्यों से समझौता किए बिना AI-जनरेटेड कंटेंट को स्वतंत्र रूप से सत्यापित करने में सक्षम बनाता है।
तटस्थता (Neutrality): डिटेक्शन को इंजेक्शन से अलग करके, यह प्रोवाइडर्स को सिस्टम को "गेम" करने या वॉटरमार्क की उपस्थिति को छिपाने से रोकता है।
भविष्य के लिए तैयार (Future-Proofing): यह फ्रेमवर्क विस्तार योग्य है; नए वॉटरमार्किंग तकनीकों के उभरने के साथ नए सापेक्ष माप मॉड्यूल जोड़े जा सकते हैं, जिससे मूल आर्किटेक्चर बदलने की आवश्यकता नहीं होती।
व्यावहारिक तैनाती (Practical Deployment): पेपर एक व्यवहार्य वर्कफ़्लो रेखांकित करता है जहाँ एक विनियमित ऑडिटर स्वतंत्र रूप से कार्य कर सकता है, जो केवल अवलोकन योग्य API आउटपुट्स पर निर्भर करता है, जिससे AI गवर्नेंस में "विश्वास करें लेकिन सत्यापित करें" (trust but verify) की समस्या हल होती है।

संक्षेप में, TTP-Detect LLM वॉटरमार्किंग में एक प्रतिमान परिवर्तन (paradigm shift) का प्रतिनिधित्व करता है, जो इसे सीक्रेट-की पर निर्भर मॉडल से बदलकर एक सांख्यिकीय, सापेक्षिक और तीसरे पक्ष द्वारा सत्यापन योग्य मॉडल बनाता है, जो AI-जनरेटेड टेक्स्ट के फोरेंसिक ऑडिटिंग के लिए एक मजबूत समाधान प्रदान करता है।