绿表占比 γ≈0.25 时,80 token 代码补全的水印检测没把握、400 token 散文却很稳。从 z 统计量的数量级看,这一差距该如何解释?
题目
绿表占比 γ≈0.25 时,80 token 代码补全的水印检测没把握、400 token 散文却很稳。从 z 统计量的数量级看,这一差距该如何解释?
参考答案
点击展开参考答案
- 逐步水印在每一步用(已生成前缀 + 密钥)把词表伪随机切成绿表和红表,绿表占比 γ(例如 0.25),再给绿表 logits 加一个小偏置 δ,让采样略偏向绿表。
- 检测时用同一密钥重算每步绿表,统计命中数 G,做 z ≈ (G − γN) / √(Nγ(1−γ))。
- N=80 时分母大约 √15≈3.9,绿表率就算到 0.45,z 也只在 4 左右,稍改写或模型本身很确定就会掉到判不准;N=400 时同样相对偏移能把 z 抬到约 9。
- 代码、固定答案、API 名称是低熵位置:合法续写往往只剩两三个 token,δ 几乎推不动选择,可嵌入信号的“有效试验次数”远小于字面长度;硬加偏置还会破坏正确性。
- 散文高熵,同义替换多,偏置容易留下统计痕迹。