К содержимому
Другое

Blech24/llm-watermarking-heads

политики водяных знаков для кодовых LLM

2 мин чтенияобновлено

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 PolicyProcessor в logits_processor при вызове model.generate для OpenCoder или Qwen2.5-Coder.
  • Проверять код автономно: Запускать функцию detect на 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()
ПодробнееАрхитектура: 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.
Обсудить Telegram 0

Запустится ли?

Запустится в BF16

Влезает без сжатия.

  • BF16веса 0.3 GB · готовые файлы0.9 GB
  • FP8 / INT8рекомендуемвеса 0.2 GB0.7 GB
  • 4-bitвеса 0.1 GB0.6 GB

Совет: берите 8-bit.FP8 / INT8 почти не отличается по качеству от полной точности (разница в пределах процента), а памяти занимает вдвое меньше и на RTX 40/50, H100 работает быстрее. Полную точность есть смысл брать только для дообучения.

Что взять под эту модель

Massed ComputeОткрыть Massed Compute

Своя видеокарта: FP8 / INT8 — от RTX 2060 · BF16 — от RTX 2060

Почасовые цены Massed Compute на ноябрь 2026. Цена со скидкой — с промокодом при оплате.

Оценка: веса плюс рабочая память. Длинные ролики, высокое разрешение и большой контекст требуют больше.

Запуск на Massed Compute

Скрипт скачает модель на арендованную машину. Как её запустить — в карточке модели.

  1. 1. Арендуйте машину с подходящей видеокартой

    Открыть Massed Compute
  2. 2. Вставьте скрипт в терминал машины

    Подключитесь по SSH (команда есть в панели Massed Compute) или откройте терминал на рабочем столе машины.

    HF_TOKEN / CIVITAI_TOKENВ начале скрипта строки для токенов: вставьте свой между кавычками. Токен Hugging Face нужен для закрытых моделей, токен Civitai — для моделей с Civitai.

    # Blech24/llm-watermarking-heads
    mkdir -p ~/models
    curl -LsSf https://astral.sh/uv/install.sh | sh
    source "$HOME/.local/bin/env"
    uv tool install "huggingface_hub[cli]"
    hf download Blech24/llm-watermarking-heads --local-dir ~/models/llm-watermarking-heads
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к llm-watermarking-heads
  3. 3. Пользуйтесь

    Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).

Не забудьте остановить машину в панели, когда закончите: оплата идёт поминутно, пока она включена.

Как ускорить

Подобрано под тип модели. Выберите своё железо в блоке выше — покажем то, что подходит именно вам.

  • FlashAttention 44.0.0b40от 18 ноября 2026новая версия

    самое быстрое точное внимание на B200

    Ядра для Blackwell (пока бета). Точное внимание без квантования — подходит для всего, включая LLM.

    Как включить: pip install flash-attn-4; vLLM и SGLang подхватывают сами.

    Предыдущие поколения (2)
    • FlashAttention 3 — Версия для Hopper (H100/H200) с FP8.
    • FlashAttention 2 — Стандарт для RTX 30/40/50 и A100: точное внимание без лишней памяти на длинных контекстах.
  • torch.compile2.15.0от 28 октября 2026новая версия

    10–30% бесплатно

    Компилирует модель под вашу видеокарту. Первый запуск дольше, дальше быстрее.

    Как включить: model = torch.compile(model); в ComfyUI — узел TorchCompileModel.

Семья модели

Дообучение модели

infly/OpenCoder-1.5B-Instruct
  1. OpenCoder-1.5B-Baseоснова семьи
  2. OpenCoder-1.5B-Instruct
  3. llm-watermarking-heads

Новые посты про версии OpenCoder-1.5B-Base — сжатые, дообучения, LoRA — появятся в колокольчике.

Сжатые версии 8Все на Hugging Face
Дообучения 12Все на Hugging Face

О модели

Blech24/llm-watermarking-heads
Автор
Blech24
Категория
Другое
Дата выхода
На сайте

На сайте

Hugging Face

00

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии