طور باحثو ميتا طريقة لاكتشاف النماذج المقطَّرة للذكاء الاصطناعي تمكنت من التعرف على 79٪ من النسخ المختبرة بمعدل إنذارات كاذبة يبلغ 0.1٪، وذلك من دون فحص البنية الداخلية للنماذج المشتبه بها. تُسمى هذه التقنية WM-Basin، وتستهدف النماذج التي تم تدريبها على مخرجات نماذج “معلِّمة” موسومة بعلامات مائية، وقد ظهرت في ورقة بحثية نُشرت في 27 أكتوبر 2026.
المحتويات
أبرز النقاط
- تفحص WM-Basin النص المُولَّد عبر واجهة برمجة التطبيقات (API) بدلًا من أوزان النموذج أو قيم اللوغِت (logits).
- قيّمت ميتا هذه التقنية عبر 1,200 نموذج طالب.
- صمدت عملية الاكتشاف أمام عدة تعديلات على النماذج، لكنها ضعفت مع الضبط الدقيق على بيانات نظيفة غير موسومة وإعادة الصياغة.
كيف يكتشف WM-Basin النماذج المقطَّرة للذكاء الاصطناعي
يستخدم WM-Basin نموذج فحص منفصل ونظيف لتحليل النص الذي ينتجه نموذج مشتبه بأنه مقطَّر. يصف الباحثون من Meta FAIR وMeta Superintelligence Labs هذا الأسلوب في ورقة بعنوان “Watermark Basins: Black-Box Detection of Distilled LLMs”، المنشورة تحت رقم arXiv:2610.37266.
تتناول الورقة سيناريو نسخ محددًا: يقوم شخص بجمع الردود من نموذج معلِّم موسوم بعلامة مائية عبر واجهته البرمجية، ثم يستخدم تلك الردود لتدريب نموذج طالب. يبحث WM-Basin عن أدلة على علاقة التدريب تلك باستخدام نص النموذج الطالب المُولَّد فقط.
يمرر الكاشف ذلك النص إلى نموذج الفحص الثابت، ويحوّله إلى تمثيلات مشتقات (gradient representations) — وهي طريقة لدراسة كيفية تأثير التدريب على ذلك النص في حركة معاملات نموذج الفحص. ثم يميز بين اتجاهات الضبط الدقيق العادية وبين الاصطفاف مع “حوض علامة مائية” خاص بمفتاح معيّن في فضاء المعاملات.
يجعل هذا من التقنية شكلًا من أشكال التحليل الصندوقي الأسود: فلا حاجة للوصول إلى أوزان النموذج المشتبه به أو قيم اللوغِت الخاصة به. تكفي الردود النصية المُستحصلة عبر واجهة برمجة التطبيقات لعملية الكشف.
معدل كشف 79٪ عبر 1,200 نموذج طالب
وفقًا للباحثين، حقق WM-Basin معدل كشف حقيقي يبلغ 79٪ مع الحفاظ على معدل إنذارات كاذبة عند 0.1٪ عند استخدام n-gram=1، في حين أن أقوى كاشف سابق على مستوى الرموز في وضع الصندوق الأسود لم يحقق سوى معدل كشف حقيقي قدره 29٪ تحت نفس الظروف.
يشير المؤلفون كذلك إلى أنه كلما أصبحت عتبات الكشف أكثر صرامة وكبرت نوافذ n-gram، اتسع تفوق WM-Basin على المنافسين.
شمل التقييم 1,200 نموذج طالب، تراوحت أحجامها بين 135 مليونًا و8.2 مليار معلمة. درّب الباحثون هذه النماذج على مسارات استدلال رياضي مستمدة من OpenR1-Math، شملت ست عائلات من معماريات النماذج الطالب، وعدة نماذج معلِّمة، ومقاربات متنوعة للعلامات المائية.
تدعم هذه النتائج المكاسب التي تدّعيها الورقة في الكشف عن النماذج المقطَّرة للذكاء الاصطناعي ضمن تقييمها للاستدلال الرياضي.
أي التعديلات تحفظ الكشف أو تضعفه؟
وجد الباحثون أن إشارة الكشف لدى WM-Basin صمدت أمام التكميم (quantization)، والاقتطاع (pruning)، والتعلم المعزز بعد عملية التقطير. يعمل التكميم على ضغط النموذج لتقليل كلفة التشغيل، بينما يزيل الاقتطاع بعض المعلمات.
كما ظلّت الطريقة أكثر موثوقية عندما ضعفت الإشارات على مستوى الرموز، بما في ذلك أثناء التوليد في درجات حرارة منخفضة.
أما التغييرات الأخرى فقد قللت من فعاليتها. فقد أدى الضبط الدقيق المكثف على بيانات نظيفة غير موسومة إلى تدهور القدرة على الكشف، بينما وفّرت إعادة صياغة مسارات استدلال النموذج المعلِّم مسارًا آخر محتملًا للتفادي. ويحدد المؤلفون على وجه الخصوص استمرار الضبط الخاضع للإشراف على مواد غير موسومة ضمن هذه الأساليب.
أدلة العلامات المائية لمطوري الذكاء الاصطناعي
يمكن أن يعزز الجمع بين معدل كشف أعلى ومعدل إنذارات كاذبة منخفض قوة الأدلة المعتمدة على العلامات المائية في الدعاوى القانونية أو التعاقدية المتعلقة بنسخ النماذج. ولأجل هذا الاستخدام، يكتسب معدل الإنذارات الكاذبة أهمية خاصة لأنه يقيس الإشارات الخاطئة لا حالات التعرف الناجحة.
تقارن نتائج WM-Basin المبلغ عنها بين نفس معدل الإنذارات الكاذبة البالغ 0.1٪ ومعدل كشف حقيقي قدره 79٪، مقابل 29٪ للطريقة السابقة على مستوى الرموز. استندت الاختبارات الأساسية إلى نماذج طالب تم تدريبها على مسارات استدلال رياضي من OpenR1-Math.
تم إعداد هذه المقالة بمساعدة الذكاء الاصطناعي ومراجعتها من قبل الفريق التحريري.




