San Francisco, Kalifornien, 20. Oktober 2026, Chainwire
Nachdem Forscher feststellten, dass nahezu alle getesteten Fingerprinting-Methoden – einschließlich der eigenen von Sentient – umgangen werden können, soll die neue Fingerprinting Leaderboard nun offen prüfen, welche Techniken Kopieren, Fine-Tuning, Distillation und gezielte Angriffe tatsächlich überstehen.
KI-Modelle kosten in der Entwicklung oft Millionenbeträge. Doch sobald sie kopiert, feinjustiert oder in andere Modelle destilliert werden, ist der Herkunftsnachweis äußerst schwierig.
Forscher von Sentient haben kürzlich zehn vorgeschlagene Verfahren untersucht, die dieses Problem lösen sollen – mit ernüchterndem Ergebnis: Nahezu alle ließen sich von ausreichend versierten Angreifern aushebeln, ohne dass die Nutzbarkeit des Modells ernsthaft litt. Darunter auch Sentients eigenes Fingerprinting-Verfahren.
Nun startet die Sentient Foundation die Fingerprinting Leaderboard, ein offenes Benchmark, das messen soll, welche Ansätze in der Praxis funktionieren, wie stark sie die Modellleistung beeinflussen und ob die eingebetteten Fingerabdrücke gezielten Löschversuchen standhalten.
Das Thema gewinnt an Brisanz, da immer leistungsfähigere KI-Modelle veröffentlicht, feinjustiert, destilliert und in neue Produkte verpackt werden. Modellgewichte lassen sich kopieren, Metadaten gehen verloren – und Entwicklern fehlen robuste Werkzeuge, um nachzuweisen, dass ein anderes Modell auf ihrer Arbeit basiert.
Fingerprinting verfolgt einen anderen Ansatz: Der Herkunftsnachweis wandert in das Modell selbst.
„KI-Modelle zählen zu den wertvollsten Formen geistigen Eigentums weltweit. Doch sobald ein Modell kopiert oder destilliert wurde, wird der Eigentumsnachweis extrem schwierig“, sagt Sachi Kamiya, Director of Venture and Growth bei der Sentient Foundation. „Fingerprinting verlagert den Beweis ins Modell. Man kann es sich wie das digitale Pendant zu den verborgenen Markierungen der Renaissance-Maler vorstellen, mit denen sie ihre Autorschaft belegten.“
Eine versteckte Signatur im Modell
Von Forschern bei Sentient Labs und weiteren Akteuren im Feld entwickelt, bezeichnet Modell-Fingerprinting Techniken, die charakteristische Signale in einem Modell erzeugen, auffinden oder verifizieren, um seine Identität oder Abstammung später prüfen zu können.
Sentients eigener Ansatz bettet während des Trainings versteckte Verhaltenssignaturen ein. Später benötigt der Eigentümer lediglich API-Zugriff auf ein verdächtiges Ableitungsmodell. Durch geheime Challenge-Prompts und die Auswertung der Antworten lässt sich prüfen, ob Spuren des Ursprungsmodells noch vorhanden sind.
Vereinfacht gesagt: Das Modell trägt Belege für seine Herkunft in sich.
„Die Markierung ist eine Verhaltenssignatur, die beim Training kodiert und später über Challenge-Prompts verifiziert wird. So erkennen wir, ob ein verdächtiges Modell immer noch Spuren des Originals trägt“, erläutert Eduardo Contente, AI Researcher bei Sentient Labs.
Damit entsteht etwas, was KI bislang weitgehend fehlte: eine aus dem Modell selbst verifizierbare Provenienz, statt sich ausschließlich auf Logs, Metadaten oder externe Untersuchungen verlassen zu müssen.
24.576 Fingerabdrücke in einem einzigen Modell
Forscher von Sentient haben bereits gezeigt, dass Fingerprinting deutlich größer skalieren kann als frühere Ansätze.
Die Perinucleus-Methode, auf der NeurIPS 2025 hervorgehoben, bettete 24.576 Fingerabdrücke in Llama-3.1-8B ein – bei minimalen Einbußen der Nutzbarkeit. Viele dieser Fingerabdrücke überstanden nachgelagertes Fine-Tuning.
Diese Größenordnung ist entscheidend: Mehr Fingerabdrücke bedeuten höhere statistische Aussagekraft, mehr Ansatzpunkte für Provenienztests und größere Robustheit, wenn Modelle kopiert oder breit verteilt werden.
Doch Skalierung ist nur die halbe Miete. Die entscheidende Frage lautet, ob diese Fingerabdrücke gezielten Löschversuchen standhalten.
Sentient versucht, die eigenen Fingerabdrücke zu knacken
Die jüngsten Arbeiten von Sentient Labs zeigen, dass viele gängige Fingerprinting- und Watermarking-Methoden gegen versierte Angreifer verwundbar bleiben.
In einer Studie, vorgestellt auf der SaTML 2026, konstruierten Sentient-Forscher adaptive Angriffe auf zehn kürzlich vorgestellte Fingerprinting-Schemata – mit dem Resultat, dass fast alle von einem hinreichend kompetenten Angreifer umgangen werden konnten, ohne die Brauchbarkeit der Modelle zu zerstören.
Betroffen war auch Sentients eigene Perinucleus-Methode.
Anstatt diese Schwachstellen zu verschweigen, veröffentlichte Sentient sie.
Die Fingerprinting Leaderboard soll diesen adversarialen Prozess in ein offenes Benchmark überführen. In der ersten Version wird gemessen, wie effektiv verschiedene Techniken Fingerabdrücke einbetten, ohne die Modellleistung spürbar zu verschlechtern. In einer kommenden Version wird der Fokus um adversarielle Robustheit erweitert: Dann wird getestet, wie gut Fingerabdrücke gezielten Lösch- oder Umgehungsversuchen standhalten.
Ziel ist klar: Ein Fingerabdruck darf nicht nur ein Forschungs-Benchmark überleben. Er muss jemanden überleben, der aktiv versucht, ihn zu zerstören.
Ein offener Test für die Forschungsgemeinschaft
Parallel zur Leaderboard veröffentlicht Sentient mlprints, eine Open-Source-Bibliothek, die Fingerprinting-Techniken und Angriffe in einem gemeinsamen Evaluationsrahmen bündelt.
Forschende können neue Schemata implementieren, Angriffe entwickeln, bestehende Ergebnisse reproduzieren und Ansätze unter vergleichbaren Bedingungen gegeneinander testen.
Die Fingerprinting Leaderboard ist als lebendes System angelegt: Sie soll sich gemeinsam mit der Forschung weiterentwickeln und Fingerprinting zu einem offenen Testfeld machen, in dem Robustheitsbehauptungen unabhängig überprüft werden können – statt sie einfach hinzunehmen.
Offene Modelle, ohne Eigentum aufzugeben
Fingerprinting könnte eines der härtesten Probleme im Open-Source-KI-Bereich entschärfen.
Heute stehen Entwickler vor einem Dilemma: Modellgewichte geschlossen halten und die Kontrolle bewahren – oder sie offenlegen und damit weitgehend den Überblick über Kopien und Wiederverwendung verlieren.
Fingerprinting eröffnet eine dritte Option.
Statt Kopien zu verhindern, schafft es Beweise dafür, wo ein Modell seinen Ursprung hat, nachdem Kopieren bereits stattgefunden hat. Diese Beweise könnten künftig Attribution, Lizenzdurchsetzung, ökonomische Anreizsysteme und andere Modelle rund um verifizierbare Modellprovenienz unterstützen.
Indem Modellprovenienz verifizierbar wird, sollen Sentients Fingerprinting-Forschung und die Fingerprinting Leaderboard ein offenes KI-Ökosystem fördern, in dem Modelle geteilt und weiterentwickelt werden können, ohne dass Schöpfer automatisch das Recht verlieren, die Herkunft ihrer Technologie nachzuweisen.
Das langfristige Ziel ist noch ambitionierter: ein Fingerabdruck, der so eng mit den Fähigkeiten eines Modells verwoben ist, dass seine Entfernung auch das Modell selbst beschädigen würde.
Nachweisbares IP. Kennen Sie Ihr Modell.
Mehr Informationen: https://fingerprint.sentient.foundation
Über die Sentient Foundation
Die Sentient Foundation ist eine Non-Profit-Organisation, die sich dafür einsetzt, dass Artificial General Intelligence (AGI) quelloffen bleibt und im Einklang mit den Interessen der Menschheit entwickelt wird. Mit Neutralität und Transparenz als Leitprinzipien fördert die Foundation die weltweite Verbreitung von Open-Source-AGI, setzt sich für Standards zur Ausrichtung und Sicherheit ein, vergibt Fördermittel an Entwickler weltweit und koordiniert Governance-Rahmenwerke für verantwortungsvolle KI-Entwicklung. Für Presseanfragen: [email protected]
Website: https://sentient.foundation
X: https://x.com/sentient_found
LinkedIn: https://www.linkedin.com/company/sentient-foundation/
Über Sentient Labs
Sentient Labs ist die technische Forschungs- und Produktorganisation der Sentient Foundation.
Das Team treibt anwendungsnahe Forschung in den Bereichen Reasoning, Alignment und Multi-Agenten-Koordination voran und entwickelt Open-Source-Frameworks und -Modelle – darunter ROMA, OML und Arena –, die die Stärke gemeinschaftlich entwickelter KI demonstrieren. Dazu gehört, die Monetarisierung von Open-Source-Tools zu ermöglichen, Qualität und Nutzwert des Open-Source-KI-Ökosystems durch koordinierte Initiativen zu steigern und für die Reichweite zu sorgen, die nötig ist, um Open Source als De-facto-Standard in der KI zu etablieren.
Website: https://sentient.xyz
LinkedIn: https://www.linkedin.com/company/sentientagi
Kontakt
Sachi Kamiya
Sentient Foundation
[email protected]