本文由清華大學、上海交通大學、悉尼大學、UCSB、香港中文大學、香港科技大學、香港科技大學（廣州）聯合完成。主要作者包括：潘樂怡（第一作者），清華大學本科生，研究方向為大模型水印等；劉璦瑋，清華大學博士生，研究方向為安全可信大模型等；何志威，上海交通大學博士生，研究方向為大模型水印、大模型智能體等;高梓添，悉尼大學本科生，研究方向為大模型水?。悔w宣棟，UCSB博士生，研究方向為可信生成式AI等；胡旭明，香港科技大學/香港科技大學（廣州）助理教授，研究方向為安全可信大模型、信息抽取等；聞立杰， 清華大學長聘副教授，研究方向為流程挖掘，自然語言處理 。

本?介紹由清華等?校聯合推出的?個開源的?模型?印?具包 MarkLLM。MarkLLM 提供了統?的?模型?印算法實現框架、直觀的?印算法機制可視化?案以及系統性的評估模塊，旨在?持研究?員?便地實驗、理解和評估最新的?印技術進展。通過 MarkLLM，作者期望在給研究者提供便利的同時加深公眾對?模型?印技術的認知，推動該領域的共識形成，進?促進相關研究的發展和推?應?。 

• 論?名稱：MarkLLM: An Open-Source Toolkit for LLM Watermarking
• 論?鏈接：https://arxiv.org/abs/2405.10051
• 代碼倉庫：https://github.com/THU- BPM/MarkLLM

?模型?印技術的發展現狀 & 仍然?臨的問題 

?模型?印是近期新興的?項技術，通過在模型?成?本過程中植?特定的特征，來實現機??本的辨別和來源追溯。它可?于虛假新聞檢測、維護學 術誠信、數據和模型版權保護等場景。

?前主流的?模型?印算法是在?模型推理階段植??印，這類?法主要分為兩?算法家族：

• KGW 家族：通過?預打分向量添加?印，將詞表分為紅綠列表，給綠?詞加偏置，使輸出偏好綠?詞匯； 
• Christ 家族：在打分向量?成后，?偽隨機數?預采樣過程，使?印?本與該隨機數更相關，以此植??印。 

然?，就像所有新興技術?樣，?語?模型?印技術在使?和理解上也?臨?些挑戰。 

1. 如何便捷地使?各個?模型?印算法進??印添加和檢測？

各類?模型?印算法不斷涌現。然?它們的實現?都基于作者??的需求，缺乏統?的類和調?接?設計，使得研究?員和?眾需要投??量精?去使?和復現這些算法。 

2. 如何直觀地理解各個?模型?印算法的內部機制？

?模型?印算法的底層機制相對復雜，涉及對?模型?成?本過程中打分向量?成以及采樣過程的?預，不便于研究者和?眾理解。 

3. 如何便捷、全?的評估各個?模型?印算法？

評估?度和指標多樣（包含可檢測性、魯棒性、對?本質量的影響等），且?次評估涉及多步驟，全?快速評估算法性能極具挑戰。 

MarkLLM：?個開源?模型?印多功能?具包

針對剛才提到的 3 個問題，作者設計并實現了?向?語?模型?印技術的?具包 MarkLLM。

MarkLLM 的主要貢獻可總結如下：

1. 功能?度

• 統?的?模型?印算法實現框架：?持兩個關鍵?印算法家族（KGW 家族和 Christ 家族）的 9 種具體算法。
• ?致、??友好的頂層調?接?：1 ?代碼實現添加?印、檢測?印等各類操作。

• 定制化的?模型?印算法機制可視化解決?案：使??能夠在各種配置下可視化不同?模型?印算法的內部機制。

• 全?、系統的?模型?印算法評估模塊：包含覆蓋 3 個評估?度的共 12 個評估?具，以及兩類?動化評估流?線。

2. 設計?度：模塊化、松耦合架構設計，具有極?的可擴展性和靈活性。

3. 實驗?度：作者? MarkLLM 作為研究?具，對?持的 9 種算法做了 3 個評估?度的全?實驗，在證明 MarkLLM 的實?性的同時，為后續研究提供了寶貴的數據參考。

4. 對開源社區的影響?：MarkLLM 在 GitHub 上線 以來已經獲得了較多關注，?前已有 140+ stars， 并吸引了同?通過 Pull Request 進?代碼貢獻，以及在 issue 欄?進?交流討論。

作者衷?希望 MarkLLM ?具包在為研究?員提供便利的同時，提??眾對?語?模型?印技術的理解和參與度，促進學術界和公眾之間就該技術達成共識，推動?語?模型?印研究和應?的進?步發展，為?語?模型使?安全貢獻?量。

作者真誠歡迎?家提出寶貴意?、相互交流學習， 也?分歡迎通過 pull request 貢獻代碼，通過?家的共同努?維護更好的?模型?印技術?態！