🤖 machine learning

Watermark Forensics for Generative Models: An Information-Theoretic Perspective

यह शोधपत्र जनरेटिव मॉडल वॉटरमार्क्स के लिए एक मौलिक सूचना-सैद्धांतिक ढांचा स्थापित करता है, जो यह सिद्ध करता है कि सांख्यिकीय रूप से विरूपण-मुक्त मल्टी-यूज़र एट्रिब्यूशन और पेलोड निष्कर्षण के लिए नमूना लंबाई (सैंपल लेंथ) गुप्त एंट्रॉपी और स्रोत की एंट्रॉपी दर के अनुपात में आवश्यक होती है, जबकि यह डिटेक्शन, एट्रिब्यूशन और लोकलाइजेशन के बीच अंतर्निहित समझौतों (ट्रेड-ऑफ) को भी प्रकट करता है।

मूल लेखक: Xiaoyu Li, Zheng Gao, Xiaoyan Feng, Jiaojiao Jiang, Yulei Sui, Jiankun Hu

प्रकाशित 2026-07-15

📖 7 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Xiaoyu Li, Zheng Gao, Xiaoyan Feng, Jiaojiao Jiang, Yulei Sui, Jiankun Hu

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 आपके पास एक जादुई फव्वारा है जो कहानियाँ, चित्र या गीत उगल रहा है। अब, कल्पना कीजिए कि फव्वारे का मालिक यह जानना चाहता है: "क्या यह किसी इंसान ने लिखा है, या मशीन ने?" इससे भी बेहतर, वह यह जानना चाहता है: "किस विशिष्ट मानव ने मशीन को इसे लिखने के लिए कहा था?" और "क्या हम उस छिपे हुए गुप्त संदेश को खोज सकते हैं जिसे इंसान ने इसके अंदर छिपाया है?"

यह शोध पत्र इन प्रश्नों को एक फोरेंसिक सीढ़ी (forensic ladder) की तरह मानता है। आप सीढ़ी के एक-एक पायदान पर चढ़ सकते हैं, लेकिन इसमें एक मोड़ है: हर कदम ऊपर चढ़ने की लागत अधिक "टोकन" (पाठ या छवियों के छोटे निर्माण खंड) में चुकानी पड़ती है। आप जितना ऊँचा चढ़ना चाहते हैं, कहानी उतनी ही लंबी होनी चाहिए।

जादुई बहीखाता: "सूचना प्रोफ़ाइल" (The Information Profile)

लेखकों ने पाया कि ये सभी फोरेंसिक प्रश्न वास्तव में एक अदृश्य मानचित्र को पढ़ने के विभिन्न तरीके हैं जिसे सूचना प्रोफ़ाइल (Information Profile) कहा जाता है।

सोचिए कि गुप्त चीज़ (जैसे उपयोगकर्ता का नाम या छिपा हुआ संदेश) एक भारी बैकपैक की तरह है। "सूचना प्रोफ़ाइल" एक ऐसा मानचित्र है जो दिखाता है कि वह बैकपैक कहानी के भीतर ठीक कहाँ रखा गया है।

द्रव्यमान (The Mass): बैकपैक का कितना हिस्सा वहाँ है? (यह एट्रिब्यूशन/Attribution और एक्सट्रैक्शन/Extraction के लिए भुगतान करता है)।
आकार (The Shape): बैकपैक कहाँ बैठा है? क्या यह पूरी कहानी में फैला हुआ है, या केवल कुछ ही जगहों पर छिपा हुआ है? (यह लोकलाइजेशन/Localization के लिए भुगतान करता है)।

पेपर का तर्क है कि आप गणित को धोखा नहीं दे सकते। मशीन वास्तव में निर्माण के समय कहानी में कितनी सूचना डालती है, वही एकमात्र मुद्रा (currency) है जो आपके पास है। आप उससे अधिक खर्च नहीं कर सकते जो आपने जमा किया है।

प्रश्नों की सीढ़ी

पायदान 0: डिटेक्शन (क्या यह AI है?)

प्रश्न: "क्या यह कहानी मशीन द्वारा बनाई गई है?"
लागत: यह सबसे सस्ता पायदान है। इसमें केवल बहुत कम "विकृति" (कहानी को प्राकृतिक से थोड़ा अलग बनाना) की आवश्यकता होती है।
सावधानी: सिर्फ इसलिए कि आप इसे पहचान सकते हैं कि यह AI है, इसका मतलब यह नहीं है कि आप जानते हैं कि इसे किसने बनाया है। पेपर एक "ब्लाइंड स्पॉट" विंडो को सिद्ध करता है: एक कहानी इतनी तेज़ आवाज़ में चिल्ला सकती है कि "मैं AI हूँ!", लेकिन फिर भी "यूज़र #42" के रूप में अपनी पहचान बताने के लिए बहुत छोटी हो सकती है।

पायदान 1: एट्रिब्यूशन (इसे किसने बनाया?)

प्रश्न: "कौन सा $N$ उपयोगकर्ता इसे जनरेट कर रहा है?"
लागत: यह बहुत तेज़ी से महंगी होती जाती है। भीड़ में से एक उपयोगकर्ता को पहचानने के लिए, कहानी को लगभग $\log N$ टोकन लंबा होना चाहिए।
आश्चर्य: पेपर ने पाया कि लोग आमतौर पर कैसे गिनती करते हैं इसमें एक "जाल" (trap) है। यदि आप केवल उन कुंजियों (keys) को देखते हैं जो पाठ के साथ पूरी तरह से मेल खाती हैं, तो आपको आवश्यक टोकन से 1.6 गुना अधिक टोकन की आवश्यकता हो सकती है (विशेष रूप से स्रोत की एंट्रॉपी दर $h$ और इसकी Rényi-2 दर $r_2$ का अनुपात)। लेखक एक स्मार्ट तरीका दिखाते हैं जो आपको उस अतिरिक्त 60% लागत को बचाने में मदद करता है।

पायदान 2: एक्सट्रैक्शन (गुप्त संदेश क्या है?)

प्रश्न: "छिपा हुआ संदेश क्या है?"
लागत: एट्रिब्यूशन के समान। यदि आप $\ell$ बिट्स का संदेश छिपाना चाहते हैं, तो आपको एक ऐसी कहानी की आवश्यकता है जो उस भार को ढो सके।

पायदान 3: लोकलाइजेशन (निशान कहाँ है?)

प्रश्न: "कहानी का कौन सा विशिष्ट भाग रहस्य रखता है?"
लागत: यह सबसे कठिन हिस्सा है। पेपर एक सख्त नियम सिद्ध करता है: आप एक ऐसा छोटा, छिपा हुआ निशान नहीं रख सकते जो क्रॉपिंग (काटने) के बाद भी जीवित रहे।
उपमा: कल्पना कीजिए कि आप समुद्र तट पर रेत के एक अकेले कण में एक रहस्य छिपाने की कोशिश कर रहे हैं। यदि कोई समुद्र तट का एक हिस्सा काट देता है (क्रॉपिंग), तो वे आपका कण ले जा सकते हैं और बाकी को छोड़ सकते हैं। किसी भी कट से बचने के लिए, आपका रहस्य पूरे समुद्र तट पर फैला होना चाहिए। यदि आप सटीक रूप से यह जानना चाहते हैं कि निशान कहाँ है, तो निशान हर जगह होना चाहिए। आप एक साथ छोटा पदचिह्न (footprint) और सूक्ष्म रिज़ॉल्यूशन (resolution) नहीं रख सकते।

वॉटरमार्क के दो प्रकार

पेपर वॉटरमार्क्स को दो समूहों में विभाजित करता है, जो उस बैकपैक को ले जाने के दो अलग-अलग तरीकों की तरह कार्य करते हैं:

"बायसिंग" वॉटरमार्क (The Thin Spread - पतला फैलाव):
- कैसे काम करता है: यह कहानी के प्रत्येक एकल टोकन में एक सूक्ष्म रहस्य फुसफुसाता है। यह हर जगह बहुत सूक्ष्म है।
- लागत: क्योंकि रहस्य बहुत पतला है, आपको उपयोगकर्ता की स्पष्ट पहचान करने के लिए एक बहुत लंबी कहानी की आवश्यकता होगी। इसकी लागत इस बात से जुड़ी है कि आपको कितनी विकृति (distortion) की अनुमति है।
- वास्तविक दुनिया के उदाहरण: अधिकांश वर्तमान टेक्स्ट वॉटरमार्क (जैसे "ग्रीन-लिस्ट" विधि) इसी तरह के होते हैं। वे हर जगह हैं, लेकिन एट्रिब्यूशन के लिए उन्हें लंबे टेक्स्ट की आवश्यकता होती है।
"एम्बेडिंग" वॉटरमार्क (The Loud Stamp - ज़ोरदार मुहर):
- कैसे काम करता है: यह रहस्य को कुछ विशिष्ट स्थानों पर (जैसे पहले कुछ शब्दों में) ज़ोर से चिल्लाकर बताता है।
- लागत: यह सस्ता है! आप एक बहुत छोटे टेक्स्ट के साथ उपयोगकर्ता की पहचान कर सकते क्योंकि रहस्य स्पष्ट और ज़ोरदार है।
- सावधानी: यह नाजुक है। यदि कोई टेक्स्ट को संपादित करता है या इमेज को क्रॉप करता है, तो रहस्य गायब हो जाता है।
- वास्तविक दुनिया के उदाहरण: पेपर ने पाया कि लगभग कोई भी वास्तविक दुनिया का वॉटरमार्क इस "छोटे पदचिह्न" (small footprint) वाले तरीके का प्रभावी ढंग से उपयोग नहीं करता है। अधिकांश "एम्बेडिंग" वॉटरमार्क (जैसे छवियों के लिए) वास्तव में संपादन से बचने के लिए पूरे चित्र पर रहस्य फैला देते हैं, जो उन्हें वास्तव में "बायसिंग" ही बनाता है।

यह पेपर किन बातों को खारिज करता है

"मैजिक बुलेट" (जादुई गोली): पेपर स्पष्ट रूप से कहता है कि आप एक ऐसा वॉटरमार्क नहीं रख सकते जो छोटा (छोटा पदचिह्न), अदृश्य (विकृति-मुक्त), और संपादन में जीवित रहने वाला (क्रॉप-रोबस्ट) हो। गणित इसे वर्जित करता है। यदि आप संपादन से बचना चाहते हैं, तो निशान बड़ा होना चाहिए।
"फ्री लंच" (मुफ्त उपहार): आप मुफ्त में एट्रिब्यूशन (उपयोगकर्ता की पहचान) प्राप्त नहीं कर सकते। इसके लिए हमेशा साधारण डिटेक्शन की तुलना में अधिक टोकन की लागत आती है। एक गारंटीकृत अंतर (gap) है जहाँ एक टेक्स्ट AI के रूप में पहचाना जा सकता है लेकिन किसी विशिष्ट व्यक्ति के लिए अन-एट्रिब्यूटेबल (unattributable) हो सकता है।

वे कितने आश्वस्त हैं?

लेखक गणित के बारे में बहुत आश्वस्त हैं। उन्होंने सख्त सूचना सिद्धांत (information theory) का उपयोग करके "सीढ़ी" की लागत को सिद्ध किया है (जैसे भौतिकी के नियम को सिद्ध करना)।

सिद्ध (Proven): डिटेक्शन, एट्रिब्यूशन और "पदचिह्न और लोकलाइजेशन" के बीच के अनिश्चितता सिद्धांत के लिए लागत गणितीय रूप से सिद्ध है।
सिम्युलेटेड (Simulated): उन्होंने वास्तविक AI मॉडल (GPT-2, Pythia, Qwen2.5) पर इन सिद्धांतों का परीक्षण किया और पाया कि संख्याएँ बिल्कुल मेल खाती हैं। उदाहरण के लिए, उन्होंने भाषा मॉडल में "1.6x ओवरचार्ज" के जाल की पुष्टि की।
खुला प्रश्न (Open Question): वे स्वीकार करते हैं कि हालांकि उन्होंने "पूरी तरह से संरेखित" (perfectly aligned) टेक्स्ट के लिए गणित सिद्ध किया है, लेकिन उन्होंने अभी तक यह पूरी तरह से हल नहीं किया है कि यह तब कैसे काम करता है जब टेक्स्ट को संपादित (जैसे किसी वाक्य को हटाना) किया जाता है। वह हिस्सा अभी भी एक रहस्य है जिस पर वे काम कर रहे हैं।

मुख्य निष्कर्ष (The Bottom Line)

वॉटरमार्क जादुई स्टिकर नहीं हैं जिन्हें आप कहीं भी चिपका सकते हैं। वे एक समझौता (trade-off) हैं।

यदि आप जानना चाहते हैं कि क्या यह AI है? आसान है, छोटा टेक्स्ट।
यदि आप जानना चाहते हैं कि इसे किसने बनाया? आपको लंबे टेक्स्ट की आवश्यकता है।
यदि आप जानना चाहते हैं कि निशान कहाँ है? तो आपको निशान को हर जगह होना चाहिए, अन्यथा यदि टेक्स्ट को काट दिया गया तो वह गायब हो जाएगा।

यह पेपर इन रहस्यों के लिए सटीक मूल्य सूची देता है, जो दिखाता है कि AI की दुनिया में, आप बिना "टोकन टैक्स" चुकाए सब कुछ हासिल नहीं कर सकते।

तकनीकी सारांश: जनरेटिव मॉडल्स के लिए वॉटरमार्क फोरेंसिक्स: एक सूचना-सैद्धांतिक परिप्रेक्ष्य

समस्या विवरण (Problem Statement)
यह शोध पत्र जनरेटिव मॉडल्स में वॉटरमार्क की फोरेंसिक क्षमताओं को संबोधित करता है, जो केवल इस बाइनरी प्रश्न ("क्या यह सामग्री मशीन-निर्मित है?" - डिटेक्शन) से आगे बढ़कर अधिक जटिल कार्यों के पदानुक्रम (hierarchy) की ओर जाता है: एट्रिब्यूशन (यह पहचानना कि किस $N$ उपयोगकर्ताओं में से किसने सामग्री बनाई है), एक्सट्रैक्शन (एक छिपे हुए पेलोड को पुनः प्राप्त करना), और लोकलाइजेशन (सामग्री के उस विशिष्ट क्षेत्र की पहचान करना जहाँ मार्क मौजूद है)। लेखक तर्क देते हैं कि मौजूदा साहित्य इन सबको अलग-अलग समस्याओं के रूप में देखता है और इनके लिए 'एड-हॉक' समाधान देता है, जो अक्सर मार्किंग के तंत्र (जैसे, पैटर्न को "एम्बेड" करना बनाम वितरण को "बायस" करना) को रिकवर होने योग्य सूचना की मौलिक सूचना-सैद्धांतिक सीमाओं के साथ मिला देता है। केंद्रीय प्रश्न यह है: प्रत्येक फोरेंसिक कार्य के लिए आवश्यक सैंपल कॉम्प्लेक्सिटी (लंबाई $n$ ) क्या है, और ये लागतें वॉटरमार्क की गुणवत्ता संबंधी बाधाओं (फिडेलिटी, डिस्टॉर्शन बजट, या एंट्रॉपी) से कैसे संबंधित हैं?

कार्यप्रणाली और ढांचा (Methodology and Framework)
लेखक एक एकीकृत ढांचे (unified framework) को पेश करते हैं जो एक एकल वस्तु के इर्द-गिर्द व्यवस्थित है: इन्फॉर्मेशन प्रोफाइल $\nu(t)$ ।

परिभाषा: $\nu(t) := I(S; X_t | X_{<t})$ , जहाँ $S$ गुप्त (secret) है (उपयोगकर्ता की पहचान या पेलोड), $X$ जनरेटेड कैरियर (टोकन का अनुक्रम) है, और $X_{<t}$ पिछले टोकन हैं। यह $t$ -वें टोकन द्वारा प्रकट की गई $S$ के बारे में सूचना को मापता है, जो पिछले टोकन पर आधारित है।
फोरेंसिक लैडर (The Forensic Ladder): पेपर फोरेंसिक कार्यों को सांख्यिकीय समस्याओं की एक सीढ़ी के रूप में मॉडल करता है:
- लेवल 0 (डिटेक्शन): क्या मार्क मौजूद है? (मैकेनिज्म-ब्लाइंड बेसलाइन)।
- लेवल 1 (एट्रिब्यूशन): कौन से $N$ उपयोगकर्ता?
- लेवल 2 (एक्सट्रैक्शन): क्या $\ell$ -बिट पेलोड है?
- लेवल 3 (लोकलाइजेशन): मार्क कहाँ है? (क्रॉपिंग के प्रति रोबस्ट)।
क्वालिटी मॉडल्स (Quality Models): यह ढांचा साहित्य में पाए जाने वाले दो अलग-अलग क्वालिटी मॉडल्स को एक ही प्रोफाइल $\nu$ $ν$ पर "नॉर्म कैप्स" (norm caps) के रूप में एकीकृत करता है:
1. बाउंडेड-डिस्टॉर्शन (बायसिंग) $B(\Delta)$ : मार्क हर टोकन पर सूक्ष्म होता है, जो एक $L_\infty$ कैप ( $\nu(t) \le \Delta$ ) लागू करता है। उदाहरण: ग्रीन-लिस्ट वॉटरमार्क्स।
2. फुटप्रिंट (एम्बेडिंग) $E(m)$ : मार्क कुछ चुनिले स्थानों पर केंद्रित होता है (फुटप्रिंट $T$ जिसमें $|T| \le m$ ), जो एक $L_0$ कैप ( $\nu(t) = 0$ जब $t \notin T$ ) लागू करता है। उदाहरण: ट्री-रिंग (Tree-Ring)।
फोरेंसिक-रिकवरी बजट: डेटा प्रोसेसिंग इनइक्वेलिटी (data processing inequality) के माध्यम से, कुल रिकवरेबल सूचना प्रोफाइल के द्रव्यमान द्वारा सीमित होती है: $\Phi(n) = \|\nu\|_1 = I(S; X)$ । यह बजट एट्रिब्यूशन और एक्सट्रैक्शन दोनों को वित्तपोषित करता है।

प्रमुख योगदान और परिणाम (Key Contributions and Results)

एंट्रॉपी कॉलम को बंद करना (डिस्टॉर्शन-फ्री रिजीम्स में एट्रिब्यूशन):
- यह पेपर सांख्यिकीय रूप से डिस्टॉर्शन-फ्री स्कीम्स (जहाँ की-एवरेज आउटपुट प्राकृतिक वितरण के समान होता है) में मल्टी-यूज़र एट्रिब्यूशन के लिए पहला टाइट सैंपल कॉम्प्लेक्सिटी लॉ स्थापित करता है।
- परिणाम: एक स्टेशनरी-एर्गोडिक सोर्स के लिए जिसकी एंट्रॉपी दर $h$ है, एक में से $N$ उपयोगकर्ताओं को एट्रिब्यूट करने की लागत $n_{att} = \Theta(\log N / h)$ टोकन है।
- मैकेनिज्म: लेखक एक सरप्राइज़ल-थ्रेशोल्ड डिकोडर (surprisal-threshold decoder) प्रस्तावित करते हैं। साधारण "कंसिस्टेंसी" डिकोडर्स के विपरीत (जो मैचिंग कीज़ को गिनते हैं और "कोलिजन ट्रैप" का शिकार होते हैं, जहाँ $n \approx \log N / r_2$ की आवश्यकता होती है, जहाँ $r_2$ रेनी-2 रेट है), सरप्राइज़ल डिकोडर केवल तभी एक की (key) को स्वीकार करता है जब वास्तविक सरप्राइज़ल $-\log p_{nat}(X)$ एक थ्रेशोल्ड $\tau = \log(N/\delta)$ से अधिक हो जाता है। यह सटीक, गैर-एसिम्प्टोटिक प्रति-इनोसेंट फॉल्स-पॉजिटिव गारंटी ( $\delta/N$ ) के साथ शैनन रेट $h$ प्राप्त करता है।
- महत्व: यह कन्वर्से (Fano bound) और अचीवेबिलिटी के बीच के अंतर को हल करता है, यह दिखाते हुए कि शैनन एंट्रॉपी रेट, न कि कोलिजन रेट, निर्णय जटिलता को नियंत्रित करता है।
फोरेंसिक गैप (डिटेक्शन बनाम एट्रिब्यूशन):
- पेपर सिद्ध करता है कि डिटेक्शन और एट्रिब्यूशन मौलिक रूप से भिन्न लागतें हैं। डिटेक्शन एक फिक्स्ड टू-पॉइंट टेस्ट है जिसकी लागत $\Theta(1/\Delta)$ (या डिस्टॉर्शन-फ्री के लिए $\Theta(\lambda/h)$ ) है, जो $N$ से स्वतंत्र है। एट्रिब्यूशन के लिए $\log N$ नैट्स की पहचान निकालने की आवश्यकता होती है।
- परिणाम: एक "फोरेंसिक गैप" विंडो मौजूद है जहाँ एक सामग्री डिटेक्टेबल (त्रुटि $\to 0$ ) है लेकिन अन-एट्रिब्यूटेबल (त्रुटि $\to 1$ ) है। विशेष रूप से, बायसिंग स्कीम्स के लिए, एट्रिब्यूशन के लिए $n \approx \log N / \Delta$ की आवश्यकता होती है, जबकि डिटेक्शन बहुत पहले ही संतृप्त (saturate) हो जाता है।
- निहितार्थ: किसी सामग्री को मशीन-निर्मित सिद्ध किया जा सकता है, बिना यह बताए कि वह किस विशिष्ट उपयोगकर्ता की है।
फुटप्रिंट के माध्यम से डिकपलिंग (दो क्वालिटी मॉडल्स):
- यह पेपर "बायसिंग" (फुल सपोर्ट) और "एम्बेडिंग" (छोटा फुटप्रिंट) स्कीम्स के बीच के अंतर को औपचारिक रूप देता है।
- परिणाम:
  - बायसिंग ( $B(\Delta)$ ): एट्रिब्यूशन की लागत $\Theta(\log N / \Delta)$ है। यह लागत डिस्टॉर्शन बजट से जुड़ी हुई है; मार्क को जितना अधिक सूक्ष्म ( $\Delta \to 0$ ) बनाया जाएगा, एट्रिब्यूशन उतना ही महंगा होता जाएगा।
  - एम्बेडिंग ( $E(m)$ ): एट्रिब्यूशन की लागत $\Theta(\log N / \log q)$ है, जो किसी भी प्रति-टोकन डिस्टॉर्शन कैप से स्वतंत्र है। अदृश्यता (imperceptibility) एक घटते फुटप्रिंट ( $m/n \to 0$ ) द्वारा प्राप्त की जाती है, न कि सूक्ष्म प्रति-टोकन डिस्टॉर्शन द्वारा।
- सीमा: पेपर नोट करता है कि हालांकि सूचना-सैद्धांतिक डिकपलिंग मौजूद है, एकमात्र ज्ञात विटनेस (एक "डिज स्टैम्प") एडिटिंग के प्रति रोबस्ट नहीं है। वे जो लोकलाइज कर सकते हैं (जैसे, SEAL, EditGuard), वे फुल-सपोर्ट (बायसिंग) पाए गए हैं, जो सूक्ष्म रीडआउट के माध्यम से लोकलाइजेशन प्राप्त करते हैं, न कि छोटे फुटप्रिंट के माध्यम से।
लोकलाइजेशन और अनिश्चितता का सिद्धांत (Localization and the Uncertainty Principle):
- पेपर क्रॉप-रोबस्ट लोकलाइजेशन के लिए एक फुटप्रिंट-रेज़ोल्यूशन अनिश्चितता सिद्धांत व्युत्पन्न करता है।
- परिणाम: क्रॉपिंग के विरुद्ध मजबूती से एक विंडो $w$ के आकार में मार्क को लोकलाइज करने के लिए, कैरियर फुटप्रिंट को संतुष्ट करना चाहिए $|R| \cdot w = \Omega(n)$ ।
- निहितार्थ: एक छोटा-फुटप्रिंट वाला एम्बेडिंग स्कीम ( $m = o(n)$ ) बारीक रेज़ोल्यूशन पर क्रॉप-रोबस्ट नहीं हो सकता है। बारीक-रेज़ोल्यूशन लोकलाइजेशन के लिए मार्क का फुल-सपोर्ट (बायसिंग) होना आवश्यक है, जो प्रभावी रूप से छोटे-फुटप्रिंट वाले स्कीम्स को रोबस्ट लोकलाइजेशन कार्यों के लिए खारिज करता है।
अनुभवजन्य सत्यापन (Empirical Validation):
- लेखक वास्तविक भाषा मॉडलों (GPT-2, Pythia-410M, Qwen2.5) पर "कोलिजन ट्रैप" को सत्यापित करते हैं। वे मॉडलों में $h/r_2 \approx 1.6$ के अनुपात को मापते हैं, जो पुष्टि करता है कि साधारण कंसिस्टेंसी-आधारित डिकोडर्स अनुकूलतम सरप्राइज़ल-थ्रेशोल्ड डिकोडर की तुलना में उन्हें इस कारक से अधिक चार्ज करते हैं।
- ग्रीन-लिस्ट वॉटरमार्क पर प्रयोग "फोरेंसिक गैप" की पुष्टि करते हैं: डिटेक्शन $\approx 28$ टोकन पर संतृप्त हो जाता है, जबकि एट्रिब्यूशन सटीकता काफी पीछे रह जाती है, जो $\log N$ के साथ रैखिक रूप से बढ़ती है।

महत्व और दावे (Significance and Claims)
पेपर दावा करता है कि यह जनरेटिव मॉडल्स में एट्रिब्यूशन और एक्सट्रैक्शन की सैंपल कॉम्प्लेक्सिटी के लिए पहला टाइट, टू-साइडेड सूचना-सैद्धांतिक नियम प्रदान करता है।

एकीकरण: यह विसंगत फोरेंसिक कार्यों (डिटेक्शन, एट्रिब्यूशन, एक्सट्रैक्शन, लोकलाइजेशन) और क्वालिटी मॉडल्स (बायसिंग बनाम एम्बेडिंग) को एक एकल माप: इन्फॉर्मेशन प्रोफाइल $\nu(t)$ के तहत एकीकृत करता है।
नियामक प्रभाव (Regulatory Impact): लेखक तर्क देते हैं कि वर्तमान नियम (जैसे, EU AI Act) अक्सर एक "एक्सट्रैक्टेबल ऑब्जेक्ट" (एम्बेडिंग ऑन्टोलॉजी) का अनुमान लगाते हैं। पेपर के परिणाम दिखाते हैं कि बायसिंग वॉटरमार्क्स (जो अभ्यास में प्रमुख वर्ग है) के लिए, ऐसे आदेशों के साथ एक बढ़ता हुआ सैंपल कॉस्ट ( $\Theta(\log N / \Delta)$ ) आता है, जैसे-जैसे मार्क अधिक सूक्ष्म ( $\Delta \to 0$ ) होता जाता है, जबकि एम्बेडिंग स्कीम्स एक निश्चित लागत प्रदान करती हैं लेकिन वर्तमान में मजबूती संबंधी बाधाओं द्वारा सीमित हैं।
खुले प्रश्न (Open Problems): पेपर स्पष्ट रूप से एक डिस्टॉर्शन-फ्री, एडिट-रोबस्ट एट्रिब्यूशन स्कीम की कमी को सबसे कठिन खुले प्रश्न के रूप में पहचानता है। जबकि सैद्धांतिक दर $\Theta(\log N / h)$ हल हो गई है, मौजूदा विटनेस (सटीक संरेखण) एडिटिंग के प्रति रोबस्ट नहीं है। यह खुला प्रश्न है कि क्या कोई एडिट-रोबस्ट डिकोडर इस दर को प्राप्त कर सकता है या यह उच्च रेनी-2 लागत की ओर वापस जाने के लिए मजबूर है।

संक्षेप में, पेपर यह प्रतिपादित करता है कि वॉटरमार्क की फोरेंसिक शक्ति इसके एम्बेडिंग के तंत्र द्वारा निर्धारित नहीं होती है, बल्कि इस बात से निर्धारित होती है कि यह कितनी सूचना रिकवर करने योग्य बनाता है (प्रोफाइल $\nu$ ) और इसके फुटप्रिंट की ज्यामिति क्या है। फोरेंसिक कार्यों की "कीमत" सख्ती से इन सूचना-सैद्धांतिक मात्राओं द्वारा शासित होती है।