San Francisco (Californie), 20 octobre 2026, Chainwire
Après avoir constaté que quasiment toutes les méthodes d’empreintes testées — y compris la sienne — pouvaient être contournées, Sentient lance un Fingerprinting Leaderboard ouvert pour évaluer quelles techniques résistent réellement à la copie, au fine-tuning, à la distillation et aux attaques.
Former un modèle d’IA peut coûter plusieurs millions de dollars. Mais une fois qu’il est copié, affiné ou distillé dans un autre modèle, démontrer son origine devient extrêmement complexe.
Des chercheurs de Sentient ont récemment passé au banc d’essai dix techniques censées résoudre ce problème. Leur constat : presque toutes peuvent être déjouées par un attaquant suffisamment sophistiqué, sans sacrifier l’utilité du modèle. Y compris la méthode de fingerprinting de Sentient.
Face à ce constat, la Sentient Foundation lance le Fingerprinting Leaderboard, un benchmark ouvert visant à mesurer les approches qui fonctionnent réellement, leur impact sur les performances des modèles et, au final, la capacité de leurs empreintes à survivre à des tentatives de suppression.
L’enjeu devient critique à mesure que des modèles d’IA de plus en plus puissants sont publiés, ajustés, distillés puis reconditionnés. Les poids peuvent être copiés, les métadonnées disparaître, ne laissant aux développeurs que très peu de moyens fiables de montrer qu’un autre modèle dérive de leur travail.
Le fingerprinting propose une autre voie : inscrire la preuve de l’origine directement dans le modèle.
« Les modèles d’IA deviennent l’une des formes de propriété intellectuelle les plus précieuses au monde et, une fois copiés ou distillés, prouver la propriété devient incroyablement difficile, explique Sachi Kamiya, Directrice Venture et Croissance à la Sentient Foundation. Le fingerprinting place la preuve à l’intérieur même du modèle. C’est l’équivalent, pour l’IA, des marques cachées utilisées par les peintres de la Renaissance pour revendiquer l’authorship. »
Une signature cachée au cœur du modèle
Développé par des chercheurs de Sentient Labs et d’autres équipes dans le domaine, le fingerprinting de modèles désigne un ensemble de techniques permettant de créer, détecter ou vérifier des signaux distinctifs propres à un modèle, afin d’en tester ultérieurement l’identité ou la lignée.
L’approche de Sentient consiste à intégrer des signatures comportementales cachées durant l’entraînement. Par la suite, le propriétaire n’a besoin que d’un accès API au modèle suspecté d’être dérivé. En envoyant des prompts de défi secrets et en analysant les réponses, il peut vérifier si des traces du modèle original subsistent.
En termes simples, le modèle transporte la preuve de son origine.
« La marque est une signature comportementale encodée à l’entraînement, puis vérifiée plus tard via des prompts de défi qui révèlent si un modèle suspect porte encore la trace de l’original », précise Eduardo Contente, chercheur en IA chez Sentient Labs.
Cela crée ce qui manquait jusqu’ici à l’IA : une provenance des modèles vérifiable à partir du modèle lui-même, plutôt que de dépendre exclusivement de journaux, de métadonnées ou d’enquêtes externes.
24 576 empreintes dans un seul modèle
Les chercheurs de Sentient ont déjà démontré que le fingerprinting peut passer à une toute autre échelle par rapport aux approches antérieures.
Leur méthode Perinucleus, mise en avant à NeurIPS 2025, a permis d’insérer 24 576 empreintes dans Llama-3.1-8B avec une perte d’utilité minimale, une grande partie de ces empreintes survivant à des fine-tunings en aval.
Cette échelle est déterminante : plus il y a d’empreintes, plus la confiance statistique est forte, plus les opportunités de vérifier la provenance se multiplient, et plus la résilience augmente lorsque les modèles sont copiés ou redistribués.
Mais le volume ne représente que la moitié du problème. La question la plus épineuse reste de savoir si ces empreintes résistent à un acteur qui cherche activement à les effacer.
Sentient a cherché à casser les empreintes — y compris les siennes
Les recherches les plus récentes de Sentient Labs montrent que de nombreuses méthodes actuelles de fingerprinting et de watermarking restent vulnérables face à un attaquant sophistiqué.
Dans des travaux présentés à SaTML 2026, les chercheurs de Sentient ont conçu des attaques adaptatives contre dix schémas de fingerprinting récemment proposés. Résultat : presque tous peuvent être contournés par un adversaire déterminé, sans dégrader de manière significative l’utilité du modèle.
Y compris la propre méthode Perinucleus de Sentient.
Plutôt que de dissimuler ces faiblesses, Sentient les a publiées.
Le Fingerprinting Leaderboard vise justement à transformer ce jeu du chat et de la souris en benchmark ouvert. Sa première version évalue la capacité des différentes techniques à intégrer des empreintes sans dégrader les performances. Une prochaine mise à jour ajoutera une dimension de robustesse adversariale, en testant la résistance des empreintes à des tentatives délibérées de suppression ou de contournement.
L’objectif est clair : une empreinte ne doit pas seulement survivre à un benchmark académique. Elle doit survivre à quelqu’un qui cherche activement à la détruire.
Ouvrir les tests à la communauté de recherche
En parallèle du leaderboard, Sentient publie mlprints, une bibliothèque open source qui rassemble techniques de fingerprinting et attaques dans un cadre d’évaluation unifié.
Les chercheurs peuvent y implémenter de nouveaux schémas, développer de nouvelles attaques, reproduire des résultats existants et comparer les approches dans des conditions communes, à mesure que le domaine progresse.
Le Fingerprinting Leaderboard est conçu pour évoluer avec la communauté scientifique, transformant le fingerprinting de modèles en environnement de test ouvert où les affirmations de robustesse peuvent être évaluées indépendamment plutôt que simplement acceptées.
Des modèles ouverts sans renoncer à la propriété
Le fingerprinting pourrait contribuer à résoudre l’un des problèmes les plus difficiles de l’open source en IA.
Aujourd’hui, les concepteurs font face à un dilemme : garder les poids fermés pour conserver le contrôle, ou les publier librement en perdant toute visibilité sur la manière dont ils sont copiés et réutilisés.
Le fingerprinting ouvre une troisième voie.
Au lieu d’empêcher la copie, il crée a posteriori une preuve d’origine. Cette preuve pourrait, à terme, sous-tendre des mécanismes d’attribution, des systèmes de licences, des garanties économiques et d’autres dispositifs fondés sur une provenance vérifiable des modèles.
En rendant la provenance des modèles vérifiable, les travaux de Sentient sur le fingerprinting et le Fingerprinting Leaderboard visent à bâtir un écosystème d’IA ouvert dans lequel les modèles peuvent être partagés et enrichis sans que leurs créateurs renoncent automatiquement à la capacité de prouver d’où vient la technologie.
L’ambition de long terme est plus exigeante encore : une empreinte si intimement liée aux capacités du modèle que la supprimer reviendrait à le détériorer.
Une PI prouvable. Connaissez votre modèle.
Pour en savoir plus : https://fingerprint.sentient.foundation
À propos de la Sentient Foundation
La Sentient Foundation est une organisation à but non lucratif dédiée à garantir que l’intelligence artificielle générale reste open source et alignée sur les intérêts de l’humanité. Ancrée dans la neutralité et la transparence, la Fondation promeut l’adoption mondiale d’une AGI open source, défend des standards d’alignement et de sûreté, distribue des subventions aux développeurs du monde entier et coordonne des cadres de gouvernance pour un développement responsable de l’IA.
Pour les demandes presse : [email protected]
Site web : https://sentient.foundation
X : https://x.com/sentient_found
LinkedIn : https://www.linkedin.com/company/sentient-foundation/
À propos de Sentient Labs
Sentient Labs est l’entité de recherche technique et de développement produit de la Sentient Foundation.
En pionnier de la recherche appliquée sur le raisonnement, l’alignement et la coordination multi-agents, Sentient Labs développe des frameworks et modèles open source — notamment ROMA, OML et Arena — qui illustrent la puissance d’une intelligence artificielle portée par la communauté. Cela inclut la monétisation d’outils open source, l’amélioration de la qualité et de l’utilité de l’écosystème open source d’IA par une coordination à l’échelle de l’écosystème, ainsi que la mise en place des canaux de distribution nécessaires pour faire de l’open source le standard par défaut en IA.
Site web : https://sentient.xyz
LinkedIn : https://www.linkedin.com/company/sentientagi
Contact
Sachi Kamiya
Sentient Foundation
[email protected]