Сан-Франциско, Каліфорнія, 20 жовтня 2026 року, Chainwire
Після того, як дослідники з’ясували, що майже всі протестовані методи «відбитків» можна обійти, включно з власною технологією Sentient, новий Fingerprinting Leaderboard публічно перевірятиме, які підходи здатні пережити копіювання, донавчання, дистиляцію та цілеспрямовані атаки.
Навчання передових моделей ШІ може коштувати мільйони доларів, але після копіювання, донавчання або дистиляції в іншу модель довести їхнє походження стає вкрай складно.
Дослідники Sentient нещодавно перевірили десять запропонованих технік розв’язання цієї проблеми і виявили, що майже всі вони можуть бути обійдені достатньо підготовленим зловмисником при збереженні корисності моделі. Це стосувалося й власного методу «відбитків» Sentient.
Тепер Sentient Foundation запускає Fingerprinting Leaderboard – відкритий бенчмарк, покликаний показати, які підходи реально працюють, наскільки вони впливають на продуктивність моделі та, зрештою, чи здатні їхні «відбитки» вижити під час спроб видалення.
Проблема набуває критичної ваги на тлі появи дедалі потужніших моделей ШІ, які постійно випускаються, донавчаються, дистилюються та перепаковуються. Ваги моделей можна скопіювати, метадані — втратити, і в розробників залишиться небагато надійних інструментів, щоб довести, що чужа модель походить з їхньої роботи.
Підхід із «відбитками» пропонує інше рішення: зашити доказ походження безпосередньо в модель.
«Моделі ШІ стають однією з найдорожчих форм інтелектуальної власності у світі, але щойно модель копіюють або дистилюють, довести право власності стає неймовірно важко, – говорить Сачі Камія (Sachi Kamiya), директорка з венчурів та зростання Sentient Foundation. – “Відбитки” вбудовують доказ усередину моделі. Це своєрідний аналог прихованих позначок, якими митці доби Відродження підтверджували авторство».
Прихований підпис усередині моделі
Розроблена дослідниками Sentient Labs та іншими фахівцями галузі технологія «відбитків» моделей охоплює методи створення, виявлення або верифікації характерних сигналів, пов’язаних із конкретною моделлю. Це дозволяє пізніше протестувати її ідентичність або «родовід».
Підхід Sentient полягає у вбудовуванні прихованих поведінкових «підписів» на етапі навчання. Надалі власнику потрібно лише мати API-доступ до підозрюваної похідної моделі. Надсилаючи секретні «челендж»-запити і аналізуючи відповіді, він може визначити, чи збереглися сліди оригінальної моделі.
У спрощеному вигляді це означає, що модель сама несе в собі доказ свого походження.
«Позначка — це поведінковий підпис, закодований під час навчання і надалі верифікований через спеціальні запити, які виявляють, чи зберігає підозрювана модель сліди оригіналу», – пояснює Едуардо Контенте (Eduardo Contente), дослідник ШІ в Sentient Labs.
Це формує те, чого в ШІ історично бракувало: походження моделі, яке можна перевірити з неї самої, а не покладатися виключно на логи, метадані чи зовнішні розслідування.
24 576 «відбитків» в одній моделі
Дослідники Sentient уже показали, що технологію «відбитків» можна масштабувати значно далі, ніж попередні підходи.
Їхній метод Perinucleus, представлений на NeurIPS 2025, дозволив вбудувати 24 576 «відбитків» у Llama-3.1-8B з мінімальною втратою корисності, причому значна частина «відбитків» збереглася після подальшого донавчання.
Масштаб має значення. Більше «відбитків» означає вищу статистичну впевненість, більше можливостей підтвердити походження та більшу стійкість у міру копіювання й розповсюдження моделей.
Але масштаб — лише половина завдання. Набагато складніше питання: чи виживуть ці «відбитки», якщо хтось цілеспрямовано спробує їх знищити.
Sentient спробувала зламати “відбитки”, включно зі своїми власними
Останні дослідження Sentient Labs показують, що багато існуючих методів «відбитків» і водяних знаків залишаються вразливими до кваліфікованих атак.
У роботі, представленій на SaTML 2026, дослідники Sentient розробили адаптивні атаки проти десяти нещодавно запропонованих схем «відбитків» і виявили, що майже всі їх вдається обійти достатньо досвідченому супротивнику без суттєвого погіршення корисності моделі.
До цього переліку потрапив і власний метод Perinucleus від Sentient.
Замість того, щоб приховувати вразливості, Sentient відкрито їх оприлюднила.
Fingerprinting Leaderboard покликаний перетворити цей змагальний процес на відкритий бенчмарк. Перша версія оцінює, наскільки ефективно різні техніки вбудовують «відбитки» без деградації продуктивності моделі. Наступні оновлення мають додати вимір стійкості до атак — перевірку того, наскільки добре «відбитки» виживають під час цілеспрямованого видалення чи обходу.
Ціль проста: «відбиток» має витримувати не лише лабораторні тести, а й спробу цілеспрямованого знищення.
Відкрите тестування для наукової спільноти
Паралельно з запуском рейтингу Sentient відкриває mlprints — бібліотеку з відкритим кодом, що об’єднує техніки «відбитків» і атаки проти них у єдину рамку оцінювання.
Дослідники зможуть впроваджувати нові схеми, розробляти атаки, відтворювати наявні результати та порівнювати підходи в спільних умовах у міру розвитку галузі.
Fingerprinting Leaderboard спроєктовано так, щоб еволюціонувати разом із дослідницькою спільнотою, перетворюючи «відбитки» моделей на відкритий полігон для тестування, де заяви про стійкість можна незалежно перевірити, а не приймати на віру.
Відкриті моделі без відмови від права власності
Технологія «відбитків» може допомогти розв’язати одну з найскладніших проблем open-source ШІ.
Сьогодні розробники часто стоять перед вибором: або тримати ваги моделі закритими й зберігати контроль, або відкрити їх і втратити можливість відстежувати копіювання та повторне використання.
«Відбитки» пропонують третій варіант.
Замість запобігання копіюванню, вони створюють доказ походження вже після того, як копіювання відбулося. У перспективі такі докази можуть лягти в основу систем атрибуції, примусового дотримання ліцензій, економічних гарантій та інших механізмів, побудованих навколо перевірюваного походження моделей.
Роблячи походження моделей таким, що підлягає верифікації, дослідження Sentient в галузі «відбитків» і Fingerprinting Leaderboard мають на меті сформувати відкриту екосистему ШІ, де моделі можна вільно поширювати і розвивати, не позбавляючи творців можливості довести, звідки походить технологія.
Довгострокова мета ще амбітніша: створити “відбиток”, настільки тісно пов’язаний із можливостями моделі, що його видалення неминуче зруйнує й саму модель.
Доказова інтелектуальна власність. Знай свій ШІ.
Детальніше: https://fingerprint.sentient.foundation
Про Sentient Foundation
Sentient Foundation — неприбуткова організація, що працює над тим, аби штучний загальний інтелект (AGI) залишався відкритим та орієнтованим на інтереси людства. Фонд діє на засадах нейтральності й прозорості, просуває глобальне впровадження open-source AGI, відстоює стандарти безпеки й узгодженості, надає гранти розробникам у всьому світі та координує рамки врядування для відповідального розвитку ШІ.
Запити від ЗМІ: [email protected]
Вебсайт: https://sentient.foundation
X: https://x.com/sentient_found
LinkedIn: https://www.linkedin.com/company/sentient-foundation/
Про Sentient Labs
Sentient Labs — дослідницький та продуктовий підрозділ Sentient Foundation.
Лабораторія займається прикладними дослідженнями в галузі міркування, узгодженості (alignment) та багатoагентної координації, створюючи відкриті фреймворки та моделі — зокрема ROMA, OML та Arena, — які демонструють силу спільнотно-орієнтованого штучного інтелекту. Серед пріоритетів — монетизація open-source інструментів, підвищення якості та корисності екосистеми відкритого ШІ через координацію на рівні всієї галузі, а також формування каналів дистрибуції, необхідних для того, щоб open-source став стандартом де-факто в ШІ.
Вебсайт: https://sentient.xyz
LinkedIn: https://www.linkedin.com/company/sentientagi
Контакти
Sachi Kamiya
Sentient Foundation
[email protected]