تغيير إعداد واحد يعطّل العلامة المائية في نماذج Claude القديمة

تبدو العلامة المائية داخل النص حلا مريحا: يضع النموذج علامة غير ملحوظة في إجابته، ثم تتحقق منها الشركة لاحقا عبر كاشف. لكن تطبيق Anthropic في عدة نماذج Claude قديمة تبيّن أنه يعتمد على إعدادات التوليد. ويكفي تغيير واحدة من ثلاث معلمات — temperature أو top_p أو top_k — حتى يتوقف تطبيق العلامة الخفية.

بالنسبة إلى المطورين، ليست هذه حيلة لمجرد الاستعراض. فإذا كان المنتج يستخدم العلامة المائية للتدقيق أو للامتثال للقواعد الداخلية أو لوسم المحتوى، فقد يؤدي إعداد اعتيادي في API إلى تقويض منظومة الرقابة بأكملها من دون أن يلاحظ أحد.

كيف تعمل العلامة الخفية

تصف Anthropic العلامة المائية بأنها نمط قابل للرصد إحصائيا في اختيار الكلمات. فلا تضاف إلى الإجابة رموز خاصة أو حقول خدمية أو رموز مميزة إضافية. وبدلا من ذلك، يغيّر النموذج قليلا، في كل خطوة من التوليد، احتمالات البدائل المتاحة. يبدو النص عاديا للقارئ، بينما يبحث الكاشف، بعد حصوله على مقطع طويل بما يكفي، عن توزيع مميز للكلمات.

مثال بسيط: قد يستطيع النموذج إكمال جملة بعدة طرق متقاربة في المعنى. ومن دون العلامة، يختار البديل وفقا للاحتمالات الأصلية. أما مع العلامة، فتحصل بعض الكلمات المناسبة على أفضلية طفيفة وفق قاعدة سرية. وبعد مئات الاختيارات من هذا النوع، تتراكم إشارة يمكن اكتشافها إحصائيا.

المشكلة أن اختيار الكلمة التالية يعتمد أصلا على temperature وtop_p وtop_k. فهذه المعلمات تتحكم في العشوائية وفي مجموعة البدائل المتاحة للنموذج. وفي Claude Opus 4.6 وOpus 4.5 وSonnet 4.5 وHaiku 4.5، لا تطبق العلامة المائية إلا عند استخدام القيم الافتراضية. ويؤدي تغيير معلّمة واحدة فقط إلى إخراج الطلب من وضع الوسم.

أين تنهار المنظومة العملية

لنتخيل خدمة تولّد أوصاف المنتجات وتتعهد للعميل بوسم كل المحتوى المنشأ بالذكاء الاصطناعي. يسجّل الفريق استخدام Claude، ويوصل الكاشف، ثم يعتبر المهمة منجزة. بعد ذلك يخفض أحد المطورين قيمة temperature للحصول على إجابات أكثر استقرارا. يستمر توليد النصوص، ولا يعيد API أي خطأ، ولا يتغير تنسيق الإجابة — لكن العلامة المائية لم تعد موجودة.

يصبح هذا خطرا خصوصا عندما يكون من الممكن تمرير المعلمات من واجهة المستخدم أو تغييرها عبر الإعدادات من دون إعادة الاختبار. فمن الناحية الشكلية يظل النظام عاملا، لكن الرقابة الفعلية على مصدر النص تكون معطلة.

وهناك مشكلة عكسية أيضا: وجود إشارة إحصائية لا يحوّل الكاشف إلى أداة فحص جنائي. فقد يخضع النص للتحرير أو الاختصار أو الترجمة، أو يدمج مع مقاطع من نماذج أخرى. كما أن وجود عدة علامات مائية في وثيقة واحدة قد يزيد صعوبة الفحص. لذلك ينبغي التعامل مع نتيجة الكاشف بوصفها إشارة واحدة، لا دليلا نهائيا.

ما الذي ينبغي للفرق فعله

إذا كان الوسم مطلوبا للامتثال، فثبّت على الخادم النموذج المدعوم وقيم temperature وtop_p وtop_k. ولا تسمح للعميل بتغييرها مباشرة. وأضف اختبارا يرسل طلبات مرجعية ويفحص الإجابات باستخدام الكاشف الرسمي بعد تحديث النموذج أو SDK أو المنصة السحابية.

وسجّل بصورة منفصلة معرّف النموذج ومعلمات التوليد ومزوّد البنية التحتية ووقت الطلب. فهذا السجل أكثر فائدة من علامة خفية منفردة، لأنه يوضح بالضبط كيف ظهر النص، حتى إذا خضعت الوثيقة للتحرير لاحقا.

الخلاصة الرئيسية بسيطة: العلامة المائية من Anthropic آلية تكميلية مفيدة، لكنها ليست حتى الآن نظام رقابة مستقلا. فإذا كان مطلوبا من العملية أن تميّز، بصورة قابلة للإثبات، بين النص البشري والنص الآلي، فلن يكفي فحص الوثيقة النهائية وحدها. بل يلزم وجود سلسلة لإثبات المصدر تشمل قيودا على الخادم، وسجلات للطلبات، وإصدارات النماذج، واختبارات مرجعية منتظمة.