San Francisco, AS, 20 Oktober 2026, Chainwire
Setelah peneliti menemukan hampir semua metode fingerprinting yang diuji—termasuk milik Sentient sendiri—bisa ditembus, Fingerprinting Leaderboard baru akan secara terbuka menguji teknik mana yang benar-benar tahan terhadap penyalinan, fine-tuning, distilasi, dan berbagai serangan.
Model AI bisa menelan biaya pelatihan hingga jutaan dolar. Namun begitu bobot model disalin, di-fine-tune, atau didistilasi ke model lain, membuktikan dari mana model itu berasal menjadi tantangan yang sangat sulit.
Tim riset Sentient baru-baru ini menguji sepuluh teknik yang diajukan untuk menjawab persoalan tersebut. Hasilnya, hampir semua bisa diakali penyerang yang cukup canggih tanpa banyak mengurangi kegunaan model. Metode fingerprinting Sentient sendiri termasuk yang bisa ditembus.
Menyadari hal itu, Sentient Foundation meluncurkan Fingerprinting Leaderboard, sebuah tolok ukur terbuka untuk mengukur pendekatan mana yang benar-benar efektif, seberapa besar dampaknya pada kinerja model, dan pada akhirnya apakah “sidik jari” itu bisa bertahan ketika ada upaya sistematis untuk menghapusnya.
Isu ini kian krusial seiring lahirnya model-model AI yang lebih mumpuni, yang kemudian di-fine-tune, didistilasi, dan dikemas ulang. Bobot model dapat disalin dan metadata bisa hilang, sehingga pengembang hampir tak punya cara andal untuk menunjukkan bahwa model lain sejatinya diturunkan dari karya mereka.
Fingerprinting menawarkan pendekatan berbeda: bukti asal-usul dimasukkan langsung ke dalam model.
“Model AI sedang menjadi salah satu aset kekayaan intelektual paling bernilai di dunia. Namun sekali model disalin atau didistilasi, membuktikan kepemilikan menjadi amat sulit,” ujar Sachi Kamiya, Director of Venture and Growth di Sentient Foundation. “Fingerprinting menaruh bukti itu di dalam model. Bayangkan seperti tanda tersembunyi yang dipakai pelukis Renaisans untuk menegaskan keaslian karyanya.”
Tanda Tangan Tersembunyi di Dalam Model
Dikembangkan peneliti Sentient Labs bersama komunitas yang lebih luas, fingerprinting model merujuk pada teknik yang menciptakan, mendeteksi, atau memverifikasi sinyal-sinyal khas yang terkait dengan suatu model, sehingga identitas atau garis keturunannya bisa diuji di kemudian hari.
Pendekatan Sentient sendiri menanamkan tanda tangan perilaku tersembunyi selama pelatihan. Di tahap berikutnya, pemilik hanya membutuhkan akses API ke model turunan yang dicurigai. Dengan mengirimkan “challenge prompts” rahasia dan memeriksa jawabannya, mereka dapat menguji apakah masih ada jejak model asli di dalamnya.
Secara sederhana, model membawa bukti asal-usulnya sendiri.
“Tandanya berupa signature perilaku yang dikodekan saat training, lalu diverifikasi lewat challenge prompts yang menunjukkan apakah model terduga masih membawa jejak model sumber,” kata Eduardo Contente, AI Researcher di Sentient Labs.
Ini menghadirkan sesuatu yang sebelumnya nyaris tak dimiliki AI: provenance model yang bisa diverifikasi langsung dari model, alih-alih hanya bergantung pada log, metadata, atau investigasi eksternal.
24.576 Sidik Jari dalam Satu Model
Peneliti Sentient telah menunjukkan bahwa fingerprinting dapat diskalakan jauh melampaui pendekatan generasi sebelumnya.
Metode Perinucleus yang dipresentasikan di NeurIPS 2025 berhasil menanamkan 24.576 fingerprint ke dalam Llama-3.1-8B dengan kehilangan utilitas yang sangat minimal, dengan banyak sidik jari yang tetap bertahan setelah model di-fine-tune untuk tugas-tugas lanjutan.
Skala ini penting. Semakin banyak fingerprint, semakin kuat keyakinan statistik, semakin banyak peluang untuk memverifikasi asal-usul, dan semakin tinggi ketahanan ketika model disalin atau disebarkan.
Namun skala baru menjawab separuh persoalan. Pertanyaan yang lebih sulit: bisakah fingerprint itu bertahan ketika ada pihak yang secara aktif berupaya menghapusnya?
Sentient Mencoba “Merusak” Fingerprint, Termasuk Miliknya Sendiri
Riset terbaru Sentient Labs menunjukkan banyak metode fingerprinting dan watermarking yang ada saat ini masih rentan terhadap penyerang yang canggih.
Dalam makalah yang dipresentasikan di SaTML 2026, peneliti Sentient mengembangkan serangkaian serangan adaptif terhadap sepuluh skema fingerprinting terkini dan menemukan bahwa hampir semuanya dapat dihindari oleh adversary yang cukup cerdas, sembari tetap mempertahankan kegunaan model.
Metode Perinucleus milik Sentient sendiri termasuk yang berhasil ditembus.
Alih-alih menutupi kelemahan tersebut, Sentient justru mempublikasikannya.
Fingerprinting Leaderboard dirancang untuk mengubah proses adversarial ini menjadi tolok ukur terbuka. Rilis perdana menilai seberapa efektif teknik-teknik yang ada dalam menanamkan fingerprint tanpa mengorbankan performa model. Rilis berikutnya akan menambahkan pengujian ketahanan adversarial, untuk mengukur seberapa baik fingerprint bertahan dari upaya penghapusan atau pengelakan yang disengaja.
Tujuannya tegas: fingerprint tidak hanya harus lolos uji riset di atas kertas; ia harus bertahan dari upaya penghancuran yang nyata.
Membuka Pengujian bagi Komunitas Riset
Bersamaan dengan leaderboard, Sentient merilis mlprints, pustaka open-source yang menyatukan berbagai teknik fingerprinting dan serangan dalam satu kerangka evaluasi.
Peneliti dapat mengimplementasikan skema baru, mengembangkan serangan baru, mereplikasi hasil yang ada, dan membandingkan pendekatan di bawah kondisi yang seragam seiring majunya bidang ini.
Fingerprinting Leaderboard dirancang untuk berevolusi bersama komunitas riset, menjadikan fingerprinting model sebagai lingkungan pengujian terbuka, tempat klaim soal ketahanan bisa dievaluasi secara independen, bukan sekadar dipercaya begitu saja.
Model Terbuka tanpa Kehilangan Kendali Kepemilikan
Fingerprinting berpotensi menjawab salah satu dilema terbesar AI open-source.
Saat ini, pembangun model kerap dihadapkan pada pilihan sulit: menutup bobot model demi mempertahankan kendali, atau membukanya dan kehilangan visibilitas atas bagaimana model disalin dan digunakan kembali.
Fingerprinting menawarkan jalur alternatif.
Alih-alih mencegah penyalinan, teknik ini menciptakan bukti asal-usul setelah penyalinan terjadi. Bukti tersebut ke depan berpotensi menjadi dasar sistem atribusi, penegakan lisensi, skema berbagi nilai ekonomi, dan mekanisme lain yang bertumpu pada provenance model yang dapat diverifikasi.
Dengan menjadikan provenance model dapat dibuktikan, riset fingerprinting Sentient dan Fingerprinting Leaderboard bertujuan membangun ekosistem AI terbuka, di mana model dapat dibagikan dan dikembangkan bersama tanpa membuat kreatornya otomatis kehilangan kemampuan membuktikan dari mana teknologi itu berasal.
Target jangka panjangnya lebih ambisius lagi: fingerprint yang begitu menyatu dengan kapabilitas model sehingga upaya menghapusnya sekaligus akan merusak kemampuan model itu sendiri.
Kekayaan Intelektual yang Terbukti. Kenali Model Anda.
Pelajari lebih lanjut: https://fingerprint.sentient.foundation
Tentang Sentient Foundation
Sentient Foundation adalah organisasi nirlaba yang berdedikasi memastikan Artificial General Intelligence (AGI) tetap open-source dan selaras dengan kepentingan kemanusiaan. Berlandaskan netralitas dan transparansi, Foundation mendorong adopsi global AGI open-source, memajukan standar alignment dan keselamatan, menyalurkan hibah kepada pengembang di seluruh dunia, dan mengoordinasikan kerangka tata kelola untuk pengembangan AI yang bertanggung jawab. Untuk pertanyaan media, hubungi: [email protected]
Situs: https://sentient.foundation
X: https://x.com/sentient_found
LinkedIn: https://www.linkedin.com/company/sentient-foundation/
Tentang Sentient Labs
Sentient Labs adalah organisasi riset teknis dan pengembangan produk dari Sentient Foundation.
Labs memelopori riset terapan di bidang penalaran, alignment, dan koordinasi multi-agen, serta membangun kerangka dan model open-source—termasuk namun tidak terbatas pada ROMA, OML, dan Arena—untuk menunjukkan kekuatan kecerdasan buatan berbasis komunitas. Ini mencakup memungkinkan monetisasi alat open-source, meningkatkan kualitas dan utilitas ekosistem AI open-source melalui koordinasi lintas ekosistem, serta menyediakan distribusi yang dibutuhkan agar open-source menjadi standar default di AI.
Situs: https://sentient.xyz
LinkedIn: https://www.linkedin.com/company/sentientagi
Kontak
Sachi Kamiya
Sentient Foundation
[email protected]