Настройка одного параметра отключает водяной знак в старых моделях Claude

Водяной знак в тексте звучит как удобное решение: модель незаметно помечает собственный ответ, а компания потом проверяет его через детектор. Но реализация Anthropic на нескольких старых моделях Claude оказалась зависимой от настроек генерации. Достаточно изменить один из трёх параметров — temperature, top_p или top_k, — и скрытая метка перестаёт применяться.

Для разработчиков это не трюк ради трюка. Если продукт использует водяной знак для аудита, соблюдения внутренних правил или маркировки контента, обычная настройка API способна незаметно разрушить всю схему контроля.

Как работает скрытая метка

Anthropic описывает водяной знак как статистически заметный рисунок в выборе слов. В ответ не добавляются специальные символы, служебные поля или дополнительные токены. Вместо этого модель при каждом шаге генерации слегка меняет вероятность допустимых вариантов. Для человека текст выглядит обычным, а детектор, получив достаточно длинный фрагмент, ищет характерное распределение слов.

Простой пример: модель может продолжить фразу несколькими близкими по смыслу способами. Без метки она выбирает вариант по исходным вероятностям. С меткой часть подходящих слов получает небольшой приоритет по секретному правилу. После сотен таких выборов накапливается сигнал, который можно обнаружить статистически.

Проблема в том, что выбор следующего слова уже зависит от temperature, top_p и top_k. Эти параметры управляют случайностью и набором вариантов, доступных модели. На Claude Opus 4.6, Opus 4.5, Sonnet 4.5 и Haiku 4.5 водяной знак применяется только при значениях по умолчанию. Изменение даже одного параметра выводит запрос из режима маркировки.

Где ломается практическая схема

Представим сервис, который генерирует описания товаров и обещает заказчику маркировать весь ИИ-контент. Команда фиксирует использование Claude, подключает детектор и считает задачу закрытой. Затем разработчик снижает temperature ради более стабильных ответов. Тексты продолжают генерироваться, API не возвращает ошибку, формат ответа не меняется — но водяного знака уже нет.

Это особенно опасно там, где параметры можно передавать из пользовательского интерфейса или менять через конфигурацию без повторной проверки. Формально система работает, а фактически контроль происхождения текста отключён.

Есть и обратная проблема: наличие статистического сигнала не превращает детектор в судебную экспертизу. Текст можно отредактировать, сократить, перевести или смешать с фрагментами других моделей. Несколько водяных знаков в одном документе тоже способны усложнить проверку. Поэтому результат детектора стоит считать одним сигналом, а не окончательным доказательством.

Что делать командам

Если маркировка нужна для комплаенса, зафиксируйте поддерживаемую модель и значения temperature, top_p и top_k на сервере. Не позволяйте клиенту менять их напрямую. Добавьте тест, который отправляет контрольные запросы и проверяет ответы официальным детектором после обновления модели, SDK или облачной платформы.

Отдельно журналируйте идентификатор модели, параметры генерации, поставщика инфраструктуры и время запроса. Такой журнал полезнее одной скрытой метки: он показывает, как именно появился текст, даже если документ позднее отредактировали.

Главный вывод простой: водяной знак Anthropic — полезный дополнительный механизм, но пока не самостоятельная система контроля. Если процесс обязан доказуемо различать человеческий и машинный текст, одной проверки готового документа недостаточно. Нужна цепочка происхождения: серверные ограничения, журналы запросов, версии моделей и регулярные контрольные тесты.