San Francisco, Kalifornia, 20 października 2026 r., Chainwire
Po tym, jak badacze wykazali, że niemal każdą testowaną metodę „odcisków palców” modeli da się obejść – w tym rozwiązanie Sentient – nowy Fingerprinting Leaderboard ma w otwarty sposób sprawdzać, które techniki realnie wytrzymują kopiowanie, dostrajanie, destylację oraz celowe ataki.
Modele AI mogą kosztować miliony dolarów w samym tylko treningu. Gdy jednak zostaną skopiowane, przestrojone lub „zdestylowane” do innej architektury, udowodnienie ich faktycznego pochodzenia staje się zaskakująco trudne.
Zespół Sentient niedawno przetestował dziesięć proponowanych technik mających rozwiązać ten problem i odkrył, że niemal wszystkie można obejść przez wystarczająco zaawansowanego atakującego – bez istotnego pogorszenia jakości modelu. Dotyczy to również metody odcisków palców opracowanej przez samo Sentient.
Teraz Fundacja Sentient uruchamia Fingerprinting Leaderboard – otwarty benchmark zaprojektowany tak, by mierzyć, które podejścia faktycznie działają, jak wpływają na jakość modelu oraz czy ich odciski palców potrafią przetrwać próby ich usunięcia.
Problem nabiera wagi wraz z pojawianiem się coraz potężniejszych modeli AI, które są następnie trenowane dalej, destylowane i pakowane w kolejne rozwiązania. Wagi modeli można skopiować, metadane znikają, a deweloperom pozostaje niewiele wiarygodnych sposobów, by wykazać, że cudzy model pochodzi z ich pracy.
Fingerprinting proponuje inną logikę: umieścić dowód pochodzenia wewnątrz samego modelu.
– Modele AI stają się jedną z najcenniejszych klas własności intelektualnej na świecie, a jednak po skopiowaniu lub destylacji udowodnienie własności jest ekstremalnie trudne – komentuje Sachi Kamiya, Director of Venture and Growth w Sentient Foundation. – Fingerprinting umieszcza dowód w modelu. To AI‑owy odpowiednik ukrytych znaków, którymi malarze renesansowi potwierdzali autorstwo.
Ukryty podpis w środku modelu
Opracowane przez badaczy z Sentient Labs oraz innych ośrodków, fingerprinting modeli obejmuje techniki tworzenia, wykrywania lub weryfikowania charakterystycznych sygnałów przypisanych do danego modelu. Pozwalają one później badać jego tożsamość lub „drzewo genealogiczne”.
Metoda Sentient polega na zaszyciu w trakcie treningu ukrytych sygnatur behawioralnych. Później właściciel potrzebuje jedynie dostępu API do podejrzanego, pochodnego modelu. Wysyłając tajne „challenge prompts” i analizując odpowiedzi, może sprawdzić, czy w modelu nadal obecne są ślady pierwowzoru.
Mówiąc prościej: model nosi w sobie dowód swojego pochodzenia.
– Znak to sygnatura zachowania zakodowana w czasie treningu, a następnie weryfikowana za pomocą specjalnych promptów, które ujawniają, czy podejrzany model wciąż nosi ślady oryginału – wyjaśnia Eduardo Contente, AI Researcher w Sentient Labs.
To tworzy coś, czego w AI dotąd brakowało: proweniencję modelu, którą da się zweryfikować na podstawie samego modelu, a nie jedynie logów, metadanych czy zewnętrznych dochodzeń.
24 576 odcisków palców w jednym modelu
Badacze Sentient pokazali już, że fingerprinting można skalować znacznie dalej niż we wcześniejszych pracach.
Ich metoda Perinucleus, prezentowana na NeurIPS 2025, pozwoliła wstrzyknąć 24 576 odcisków palców do Llama-3.1-8B przy minimalnej utracie użyteczności, z czego wiele przetrwało dalsze dostrajanie modelu w dół strumienia.
Skala ma znaczenie. Więcej odcisków palców to wyższa pewność statystyczna, większa liczba punktów weryfikacji pochodzenia oraz większa odporność w miarę kopiowania i dystrybucji modeli.
Ale skala to tylko połowa problemu. Kluczowe pytanie brzmi, czy te odciski przetrwają, gdy ktoś aktywnie próbuje je usunąć.
Sentient próbował złamać odciski – także własne
Najnowsze badania Sentient Labs pokazują, że wiele istniejących metod fingerprintingu i znaków wodnych pozostaje podatnych na wyrafinowane ataki.
W pracy zaprezentowanej na SaTML 2026 badacze Sentient zbudowali adaptacyjne ataki na dziesięć świeżo proponowanych schematów fingerprintingu. Okazało się, że niemal wszystkie można było obejść przez wystarczająco zaawansowanego przeciwnika – bez istotnej utraty jakości modelu.
To dotyczyło również metody Perinucleus opracowanej przez Sentient.
Zamiast ukrywać te słabości, Sentient je upublicznił.
Fingerprinting Leaderboard ma zamienić ten konfrontacyjny proces w otwarty benchmark. Pierwsze wydanie ocenia, jak skutecznie poszczególne techniki osadzają odciski, nie degradując przy tym działania modelu. Kolejna odsłona doda komponent odporności na ataki, testując, jak dobrze odciski palców przetrwają celowe próby ich usunięcia lub obejścia.
Cel jest prosty: odcisk palca nie powinien przetrwać jedynie akademickiego benchmarku. Powinien przetrwać kogoś, kto aktywnie próbuje go unicestwić.
Otwarcie testów dla społeczności badawczej
Równolegle z uruchomieniem leaderboardu Sentient udostępnia mlprints – bibliotekę open‑source, która zbiera techniki fingerprintingu oraz ataki w jednym, spójnym środowisku ewaluacji.
Badacze mogą implementować nowe schematy, projektować kolejne ataki, odtwarzać istniejące wyniki i porównywać podejścia w tych samych warunkach, wraz z rozwojem całego pola.
Fingerprinting Leaderboard został zaprojektowany tak, by ewoluować wraz ze społecznością, zmieniając fingerprinting modeli w otwarty poligon testowy, na którym deklaracje dotyczące odporności można niezależnie zweryfikować, zamiast przyjmować je na wiarę.
Otwarte modele bez rezygnacji z własności
Fingerprinting może pomóc rozwiązać jeden z najtrudniejszych problemów otwartego AI.
Dziś twórcy często stają przed dylematem: trzymać wagi modelu za zamkniętymi drzwiami i zachować kontrolę, czy udostępnić je otwarcie i utracić wgląd w to, jak są kopiowane i wykorzystywane dalej.
Fingerprinting otwiera trzecią drogę.
Zamiast uniemożliwiać kopiowanie, tworzy dowód pochodzenia po fakcie. Taki ślad może w przyszłości wspierać systemy atrybucji, egzekwowania licencji, gwarancji ekonomicznych oraz inne rozwiązania oparte na weryfikowalnej proweniencji modeli.
Czyniąc pochodzenie modelu weryfikowalnym, badania Sentient nad fingerprintingiem i Fingerprinting Leaderboard mają pomóc zbudować otwarty ekosystem AI, w którym modele można współdzielić i rozwijać, nie odbierając twórcom możliwości przedstawienia dowodu, skąd technologia faktycznie się wywodzi.
Ambicja na dalszy horyzont jest jeszcze większa: odcisk palca tak głęboko powiązany ze zdolnościami modelu, że jego usunięcie naruszyłoby również funkcjonalność samego modelu.
Dowodliwa własność intelektualna. Poznaj swój model.
Więcej informacji: https://fingerprint.sentient.foundation
O Sentient Foundation
Sentient Foundation to organizacja non‑profit, której misją jest zapewnienie, by sztuczna inteligencja ogólna (AGI) pozostała otwarto‑źródłowa i zgodna z interesem ludzkości. Działając w oparciu o neutralność i przejrzystość, Fundacja promuje globalną adopcję otwartej AGI, wspiera standardy bezpieczeństwa i alignmentu, przyznaje granty deweloperom na całym świecie oraz koordynuje ramy ładu dla odpowiedzialnego rozwoju AI. Zapytania medialne: [email protected]
Strona: https://sentient.foundation
X: https://x.com/sentient_found
LinkedIn: https://www.linkedin.com/company/sentient-foundation/
O Sentient Labs
Sentient Labs to dział badań technicznych i produktów Fundacji Sentient.
Laboratoria prowadzą pionierskie badania stosowane w obszarach rozumowania, alignmentu i koordynacji wielu agentów, tworząc otwarto‑źródłowe frameworki i modele – w tym m.in. ROMA, OML i Arena – które pokazują potencjał sztucznej inteligencji rozwijanej przez społeczność. W zakres działań wchodzi m.in. umożliwianie monetyzacji narzędzi open‑source, poprawa jakości i użyteczności ekosystemu otwartego AI poprzez koordynację działań oraz zapewnianie dystrybucji potrzebnej do tego, by open‑source stał się domyślnym standardem w AI.
Strona: https://sentient.xyz
LinkedIn: https://www.linkedin.com/company/sentientagi
Kontakt
Sachi Kamiya
Sentient Foundation
[email protected]