San Francisco, Californië, 20 oktober 2026, Chainwire
Nadat onderzoekers vaststelden dat vrijwel elke geteste vingerafdrukmethode omzeild kan worden – inclusief die van Sentient zelf – gaat het nieuwe Fingerprinting Leaderboard publiek testen welke technieken kopiëren, fine‑tuning, distillatie en gerichte aanvallen daadwerkelijk overleven.
Het trainen van geavanceerde AI‑modellen kost al snel miljoenen dollars. Maar zodra gewichten zijn gekopieerd, een model is fijn‑afgesteld of gedistilleerd in een ander model, blijkt het buitengewoon lastig om nog onomstotelijk te bewijzen waar het oorspronkelijk vandaan komt.
Onderzoekers van Sentient hebben onlangs tien voorgestelde technieken getest die dit probleem moeten oplossen. Hun conclusie: vrijwel allemaal zijn ze te omzeilen door een voldoende geavanceerde tegenstander, zonder dat de bruikbaarheid van het model er wezenlijk onder lijdt. Dat gold ook voor Sentients eigen vingerafdrukmethode.
Daarom introduceert Sentient Foundation nu het Fingerprinting Leaderboard, een open benchmark die moet laten zien welke benaderingen in de praktijk werken, wat de impact is op de modelprestaties en vooral of de aangebrachte vingerafdrukken pogingen om ze te verwijderen kunnen doorstaan.
Het vraagstuk wordt snel urgenter nu steeds krachtigere AI‑modellen worden uitgebracht, hergebruikt, fijn‑afgesteld, gedistilleerd en in nieuwe verpakkingen op de markt komen. Modelgewichten kunnen eenvoudig worden gekopieerd en metadata raakt kwijt, waardoor ontwikkelaars nauwelijks betrouwbare middelen overhouden om aan te tonen dat een ander model is afgeleid van hun werk.
Vingerafdrukken bieden een andere route: verplaats het bewijs van herkomst naar binnen in het model zelf.
“AI‑modellen worden een van de meest waardevolle vormen van intellectueel eigendom ter wereld. Maar zodra een model is gekopieerd of gedistilleerd, wordt het extreem moeilijk om eigendom nog hard te maken,” zegt Sachi Kamiya, Director of Venture and Growth bij Sentient Foundation. “Fingerprinting legt het bewijs ín het model. Zie het als het AI‑equivalent van de verborgen kenmerken waarmee renaissanceschilders hun auteurschap aantoonden.”
Een verborgen handtekening in het model
De door onderzoekers bij Sentient Labs en andere partijen ontwikkelde model‑fingerprinting verwijst naar technieken die onderscheidende signalen in of rond een model creëren, opsporen of verifiëren, zodat de identiteit of afstamming later getest kan worden.
Sentients eigen aanpak embedt verborgen gedragsmatige “signatures” tijdens de training. Later heeft de eigenaar alleen nog API‑toegang tot een verdacht afgeleid model nodig. Door geheime challenge‑prompts te sturen en de antwoorden te controleren, kan worden getest of sporen van het oorspronkelijke model nog aanwezig zijn.
In gewone taal: het model draagt bewijs van zijn herkomst met zich mee.
“De markering is een gedragsmatige handtekening die tijdens training wordt gecodeerd en later wordt geverifieerd via challenge‑prompts die laten zien of een verdacht model nog sporen van het origineel draagt,” zegt Eduardo Contente, AI‑onderzoeker bij Sentient Labs.
Dat creëert iets wat in AI tot nu toe ontbrak: modelprovenance die verifieerbaar is op basis van het model zelf, in plaats van alleen via logs, metadata of extern forensisch onderzoek.
24.576 vingerafdrukken in één model
Onderzoekers van Sentient hebben al laten zien dat fingerprinting veel verder kan opschalen dan eerdere benaderingen.
Met de Perinucleus‑methode, uitgelicht op NeurIPS 2025, werden 24.576 vingerafdrukken in Llama‑3.1‑8B ingebed met slechts minimale verlies aan bruikbaarheid, waarbij veel vingerafdrukken downstream fine‑tuning overleefden.
Die schaalgrootte is essentieel. Meer vingerafdrukken betekenen sterkere statistische zekerheid, meer kansen om herkomst te verifiëren en grotere veerkracht als modellen worden gekopieerd en breed verspreid.
Maar schaal lost maar de helft van het probleem op. De lastigste vraag is of die vingerafdrukken ook standhouden als iemand ze doelbewust probeert te verwijderen.
Sentient probeerde de vingerafdrukken – ook de eigen – te breken
De nieuwste resultaten van Sentient Labs laten zien dat veel bestaande fingerprinting‑ en watermarking‑technieken kwetsbaar blijven voor een geavanceerde aanvaller.
In onderzoek dat werd gepresenteerd op SaTML 2026 ontwikkelden Sentient‑onderzoekers adaptieve aanvallen op tien recent voorgestelde fingerprint‑schema’s. Ze ontdekten dat vrijwel al deze methoden door een voldoende geavanceerde tegenpartij kunnen worden omzeild, terwijl het model functioneel bruikbaar blijft.
Daaronder viel ook Sentients eigen Perinucleus‑methode.
In plaats van die zwaktes te verhullen, heeft Sentient ze gepubliceerd.
Het Fingerprinting Leaderboard zet dat vijandige testproces nu om in een open benchmark. De eerste release beoordeelt hoe effectief verschillende technieken vingerafdrukken inbedden zonder de prestaties van het model te degraderen. In een volgende release wordt daar een laag adversarial‑robuustheid aan toegevoegd, waarbij wordt getest hoe goed vingerafdrukken actief verwijder‑ en ontwijkpogingen overleven.
De doelstelling is helder: een vingerafdruk moet niet alleen een onderzoeksbenchmark doorstaan, maar ook een tegenstander die hem bewust wil vernietigen.
De test openen voor de onderzoeksgemeenschap
Parallel aan het leaderboard brengt Sentient mlprints uit, een open‑sourcelibrary die fingerprint‑technieken en aanvalsmethoden in één evaluatiekader samenbrengt.
Onderzoekers kunnen nieuwe schema’s implementeren, nieuwe aanvallen ontwikkelen, bestaande resultaten reproduceren en benaderingen onder vergelijkbare omstandigheden naast elkaar leggen, terwijl het vakgebied zich ontwikkelt.
Het Fingerprinting Leaderboard is erop gericht mee te groeien met de onderzoeksgemeenschap en model‑fingerprinting te veranderen in een open testomgeving, waar claims over robuustheid onafhankelijk kunnen worden gevalideerd in plaats van op gezag te worden aangenomen.
Open modellen zonder afstand te doen van eigendom
Fingerprinting kan een van de lastigste problemen van open‑source‑AI helpen oplossen.
Vandaag staan bouwers vaak voor een scherpe keuze: modelgewichten gesloten houden en zo de controle behouden, of ze open beschikbaar stellen en elk zicht verliezen op hoe het model wordt gekopieerd en hergebruikt.
Vingerafdrukken voegen een derde optie toe.
In plaats van kopiëren te voorkomen, ontstaat er bewijs waar een model vandaan komt zodra het eenmaal is gekopieerd. Dat bewijs kan op termijn de basis vormen voor attributie, licentie‑handhaving, economische afspraken en andere systemen die steunen op verifieerbare modelprovenance.
Door modelprovenance verifieerbaar te maken, willen Sentients fingerprint‑onderzoek en het Fingerprinting Leaderboard bijdragen aan een open AI‑ecosysteem waarin modellen gedeeld en verder ontwikkeld kunnen worden, zonder dat makers automatisch hun vermogen verliezen om te bewijzen waar de technologie oorspronkelijk is ontwikkeld.
De langere‑termijndoelstelling is nog ambitieuzer: een vingerafdruk die zó diep is verweven met de capaciteiten van een model dat verwijderen ervan het model zelf aantast.
Bewezen IP. Ken uw model.
Meer informatie: https://fingerprint.sentient.foundation
Over de Sentient Foundation
De Sentient Foundation is een non‑profitorganisatie die zich inzet om Artificial General Intelligence open‑source en in lijn met menselijke waarden te houden. Met neutraliteit en transparantie als kernprincipes stimuleert de stichting wereldwijde adoptie van open‑source‑AGI, bevordert zij standaarden voor alignment en veiligheid, verstrekt zij subsidies aan ontwikkelaars wereldwijd en coördineert zij governance‑kaders voor verantwoorde AI‑ontwikkeling. Voor persvragen: [email protected]
Website: https://sentient.foundation
X: https://x.com/sentient_found
LinkedIn: https://www.linkedin.com/company/sentient-foundation/
Over Sentient Labs
Sentient Labs is de technische onderzoeks‑ en productorganisatie van Sentient Foundation.
De Labs lopen voorop in toegepast onderzoek naar redeneren, alignment en multi‑agent‑coördinatie, en bouwen open‑sourceframeworks en modellen – waaronder ROMA, OML en Arena – die de kracht van community‑gedreven kunstmatige intelligentie illustreren. Dit omvat het mogelijk maken van monetisatie van open‑source‑tools, het verhogen van de kwaliteit en bruikbaarheid van het open‑source‑AI‑ecosysteem via brede coördinatie, en het verzorgen van de distributie die nodig is om open‑source tot de standaard in AI te maken.
Website: https://sentient.xyz
LinkedIn: https://www.linkedin.com/company/sentientagi
Contact
Sachi Kamiya
Sentient Foundation
[email protected]