San Francisco (CA), 20 ottobre 2026, Chainwire
Dopo che i ricercatori hanno scoperto che quasi tutti i metodi di fingerprinting analizzati possono essere elusi – incluso quello di Sentient – il nuovo Fingerprinting Leaderboard metterà alla prova in modo aperto le tecniche che riescono davvero a sopravvivere a copia, fine-tuning, distillazione e attacchi mirati.
Addestrare un modello di intelligenza artificiale può costare milioni di dollari. Eppure, una volta copiato, riadattato (fine-tuned) o distillato in un altro modello, dimostrarne l’origine diventa sorprendentemente complesso.
I ricercatori di Sentient hanno recentemente testato dieci tecniche proposte per risolvere questo problema, scoprendo che quasi tutte possono essere aggirate da un attaccante sufficientemente sofisticato senza compromettere l’utilità del modello. Fra queste c’era anche il metodo di fingerprinting sviluppato dalla stessa Sentient.
Ora la Sentient Foundation lancia il Fingerprinting Leaderboard, un benchmark aperto pensato per misurare cosa funziona davvero, quanto ogni approccio incide sulle prestazioni del modello e, in ultima analisi, se le sue “impronte” riescono a sopravvivere a tentativi attivi di rimozione.
Il problema diventa sempre più rilevante man mano che modelli di AI più potenti vengono rilasciati, ri-addestrati, distillati e riconfezionati. I pesi di un modello possono essere copiati e i metadati andare persi, lasciando agli sviluppatori pochissimi strumenti affidabili per dimostrare che un nuovo modello derivi dal loro lavoro.
Il fingerprinting propone un approccio diverso: inserire la prova di origine all’interno del modello.
“I modelli di AI stanno diventando una delle forme di proprietà intellettuale più preziose al mondo; eppure, una volta che un modello viene copiato o distillato, dimostrare chi ne detiene la proprietà diventa incredibilmente difficile”, afferma Sachi Kamiya, Director of Venture and Growth alla Sentient Foundation. “Il fingerprinting inserisce la prova dentro il modello. È l’equivalente, nell’AI, dei segni nascosti che i pittori rinascimentali usavano per rivendicare la paternità delle loro opere.”
Una firma nascosta dentro il modello
Sviluppato dai ricercatori di Sentient Labs e da altri gruppi nel settore, il model fingerprinting comprende tecniche che creano, rilevano o verificano segnali distintivi associati a un modello, permettendo di testarne in seguito l’identità o la genealogia.
L’approccio di Sentient inserisce firme comportamentali nascoste durante la fase di training. In seguito, al proprietario basta avere accesso via API a un modello sospetto. Inviando particolari prompt di sfida segreti e analizzandone le risposte, può verificare se nel modello sospetto permangono tracce di quello originale.
In termini semplici: il modello porta con sé la prova della propria origine.
“Il segno è una firma comportamentale codificata durante l’addestramento, che viene poi verificata tramite prompt di sfida capaci di rivelare se un modello sospetto conserva ancora tracce dell’originale”, spiega Eduardo Contente, AI Researcher a Sentient Labs.
Questo introduce qualcosa che finora è mancato all’AI: una provenienza del modello verificabile direttamente dal modello stesso, anziché basata solo su log, metadati o indagini esterne.
24.576 impronte in un singolo modello
I ricercatori di Sentient hanno già dimostrato che il fingerprinting può scalare molto oltre gli approcci precedenti.
Il metodo Perinucleus, messo in evidenza a NeurIPS 2025, ha inserito 24.576 impronte in Llama-3.1-8B con una perdita minima di utilità, con molte impronte capaci di sopravvivere al fine-tuning a valle.
La scala conta. Un numero maggiore di impronte significa maggiore robustezza statistica, più opportunità di verificare la provenienza e una resilienza superiore man mano che i modelli vengono copiati e distribuiti.
Ma la scala è solo metà del problema. La questione più difficile è se quelle impronte possano sopravvivere a qualcuno che cerca attivamente di rimuoverle.
Sentient ha provato a “rompere” le impronte, incluse le proprie
Le ricerche più recenti di Sentient Labs mostrano che molti metodi di fingerprinting e watermarking esistenti restano vulnerabili a un attaccante sofisticato.
In uno studio presentato a SaTML 2026, i ricercatori di Sentient hanno sviluppato attacchi adattivi contro dieci schemi di fingerprinting proposti di recente, scoprendo che quasi tutti possono essere elusi da un avversario sufficientemente abile senza compromettere l’utilità del modello.
Tra questi c’era anche Perinucleus, il metodo proprietario di Sentient.
Invece di nascondere queste debolezze, Sentient le ha rese pubbliche.
Il Fingerprinting Leaderboard nasce proprio per trasformare questo processo “avversariale” in un benchmark aperto. La prima versione valuta quanto efficacemente le diverse tecniche riescano a imprimere le impronte senza degradare le prestazioni del modello. Una versione successiva aggiungerà valutazioni di robustezza avversariale, testando quanto bene le impronte sopravvivono a tentativi deliberati di rimozione o elusione.
L’obiettivo è chiaro: un’impronta non deve solo superare un benchmark di ricerca, deve sopravvivere a chi cerca attivamente di distruggerla.
Un test aperto alla comunità scientifica
In parallelo al leaderboard, Sentient rilascia mlprints, una libreria open-source che integra tecniche di fingerprinting e relativi attacchi in un unico framework di valutazione.
I ricercatori potranno implementare nuovi schemi, sviluppare nuovi attacchi, riprodurre risultati già pubblicati e confrontare approcci differenti in condizioni omogenee, man mano che il settore evolve.
Il Fingerprinting Leaderboard è concepito per evolvere insieme alla comunità di ricerca, trasformando il fingerprinting dei modelli in un ambiente di test aperto, nel quale le affermazioni sulla robustezza possono essere verificate in modo indipendente invece di essere accettate sulla fiducia.
Modelli aperti senza rinunciare alla proprietà
Il fingerprinting potrebbe contribuire a risolvere uno dei nodi più complessi dell’AI open-source.
Oggi gli sviluppatori affrontano spesso un trade-off netto: mantenere chiusi i pesi del modello, conservandone il controllo, oppure rilasciarli apertamente perdendo visibilità su come vengono copiati e riutilizzati.
Il fingerprinting introduce una terza via.
Invece di impedire la copia, crea una traccia probatoria dell’origine del modello dopo che la copia è avvenuta. Quella traccia potrebbe in futuro supportare sistemi di attribuzione, enforcement delle licenze, garanzie economiche e altre soluzioni basate su una provenienza del modello verificabile.
Rendendo la provenienza dei modelli verificabile, la ricerca di Sentient sul fingerprinting e il Fingerprinting Leaderboard puntano a costruire un ecosistema di AI aperto in cui i modelli possano essere condivisi e migliorati senza che i creatori debbano rinunciare automaticamente alla possibilità di dimostrare da dove proviene la tecnologia.
L’obiettivo di lungo periodo è ancora più ambizioso: un’impronta talmente intrecciata con le capacità del modello che rimuoverla significhi danneggiare il modello stesso.
Proprietà intellettuale dimostrabile. Conosci il tuo modello.
Per saperne di più: https://fingerprint.sentient.foundation
Informazioni sulla Sentient Foundation
La Sentient Foundation è un’organizzazione non profit dedicata a garantire che l’Intelligenza Artificiale Generale (AGI) rimanga open-source e allineata agli interessi dell’umanità. Con neutralità e trasparenza come principi guida, la Foundation promuove l’adozione globale di AGI open-source, sostiene standard di allineamento e sicurezza, assegna grant a sviluppatori in tutto il mondo e coordina framework di governance per uno sviluppo responsabile dell’AI. Per richieste stampa: [email protected]
Sito web: https://sentient.foundation
X: https://x.com/sentient_found
LinkedIn: https://www.linkedin.com/company/sentient-foundation/
Informazioni su Sentient Labs
Sentient Labs è la struttura di ricerca tecnica e sviluppo prodotti della Sentient Foundation.
All’avanguardia nella ricerca applicata su ragionamento, allineamento e coordinamento multi-agente, i Labs sviluppano framework e modelli open-source – tra cui, ma non solo, ROMA, OML e Arena – che dimostrano il potenziale dell’intelligenza artificiale guidata dalla comunità. L’attività comprende l’abilitazione della monetizzazione degli strumenti open-source, il miglioramento della qualità e dell’utilità dell’ecosistema AI open-source attraverso il coordinamento dell’ecosistema stesso e la creazione dei canali di distribuzione necessari per rendere l’open-source lo standard di riferimento nell’AI.
Sito web: https://sentient.xyz
LinkedIn: https://www.linkedin.com/company/sentientagi
Contatti
Sachi Kamiya
Sentient Foundation
[email protected]