Blech24/llm-watermarking-heads
политики водяных знаков для кодовых LLM
2 min readupdated
Набор из 12 компактных нейросетевых «голов» (небольших надстроек по ~118M параметров), обученных для встраивания скрытых водяных знаков в код, который пишут модели OpenCoder-1.5B-Instruct и Qwen2.5-Coder-1.5B-Instruct. Сеть смотрит на два предыдущих токена и определяет, нужно ли ставить метку на текущей позиции и какие токены попадут в «зелёный список» с повышенным логитом. Проверка работает вслепую: чтобы определить авторство нейросети, нужны только сама голова и токенайзер без запуска тяжелой LLM. Проект создан автором Blech24 для исследования устойчивости водяных знаков к правкам и рефакторингу кода.
Ключевые особенности
- Две базовые модели: 8 вариантов голов подготовлены для OpenCoder-1.5B (словарь 96 640 токенов) и 4 — для Qwen2.5-Coder-1.5B (151 936 токенов).
- Слепая детекция: Наличие метки проверяется одновыборочным z-тестом только по активным позициям без доступа к исходному промпту.
- Устойчивость к рефакторингу: После форматирования, переименования переменных и удаления комментариев в Python головы сохраняют 63.8–74.1 AUROC против 52.9–57.4 у базовых методов SWEET и WLLM.
- Разные стратегии обучения: В наборе есть версии с наградой за прохождение юнит-тестов (
tests), статический анализ (static), устойчивость к рефакторингу (-rob) и абляции без суррогата детекции (tests-nosur).
Что можно сделать
- Встроить маркировку в генерацию: Подключить
PolicyProcessorвlogits_processorпри вызовеmodel.generateдля OpenCoder или Qwen2.5-Coder. - Проверять код автономно: Запускать функцию
detectна готовых сниппетах, загрузив веса нужной головы на CPU без самой языковой модели. - Сравнить методы защиты: Протестировать компромисс между качеством кода (
pass@1) и заметностью водяного знака на своих задачах.
Пример
import sys, torch
from huggingface_hub import hf_hub_download
sys.path.insert(0, "LLM-Watermarking/analysis/common")
from wm_policy import PolicyHead, PolicyProcessor, detect
ck = torch.load(hf_hub_download("Blech24/llm-watermarking-heads", "opencoder/head_tests.pt"), map_location="cpu")
head = PolicyHead(ck["vocab"], ck["context_width"])
head.load_state_dict({k: v.float() for k, v in ck["state_dict"].items()})
head.eval()Подробнее
Архитектура: 6 слоёв трансформера, d = 512, 8 голов внимания, ширина контекста 2 токена (~118M параметров), обучение на 2× T4 на роллаутах MBPP-train.Бенчмарки: на чистом коде AUROC составляет 71.9–79.4 (у лучшей абляции
tests-nosur — 80.8), просадка pass@1 от −1.2 до −6.3 п.п.Ограничения: стандартный порог z > 4 даёт 6–33% ложных срабатываний на чистом коде (нужен эмпирический порог), слабый перенос с Python на JavaScript и Java.










Comments