San Francisco, California, ngày 20/10/2026, Chainwire
Sau khi các nhà nghiên cứu phát hiện gần như mọi phương pháp “đóng dấu vân tay” được thử nghiệm – bao gồm cả kỹ thuật của Sentient – đều có thể bị vượt qua, Fingerprinting Leaderboard mới sẽ công khai kiểm tra xem phương pháp nào thực sự sống sót qua sao chép, fine-tune, chưng cất và tấn công.
Các mô hình AI có thể tiêu tốn hàng triệu USD để huấn luyện, nhưng một khi bị sao chép, fine-tune hoặc chưng cất sang mô hình khác, việc chứng minh nguồn gốc xuất xứ trở nên vô cùng khó khăn.
Đội ngũ nghiên cứu Sentient gần đây đã thử nghiệm 10 kỹ thuật được đề xuất để giải bài toán này và nhận thấy gần như tất cả đều có thể bị một kẻ tấn công đủ tinh vi qua mặt mà vẫn giữ được tính hữu dụng của mô hình. Điều này bao gồm cả phương pháp fingerprinting do chính Sentient phát triển.
Nay, Sentient Foundation ra mắt Fingerprinting Leaderboard, một bộ chuẩn mở nhằm đo lường phương pháp nào thực sự hiệu quả, mức độ ảnh hưởng tới hiệu năng mô hình, và quan trọng nhất là liệu “dấu vân tay” có trụ vững trước các nỗ lực gỡ bỏ hay không.
Vấn đề này ngày càng nóng lên khi các mô hình AI ngày một mạnh hơn được phát hành, fine-tune, chưng cất và đóng gói lại. Trọng số mô hình có thể bị sao chép, metadata có thể biến mất, khiến nhà phát triển gần như không có công cụ tin cậy để chứng minh rằng một mô hình khác bắt nguồn từ sản phẩm của họ.
Fingerprinting đưa ra một hướng tiếp cận khác: đặt bằng chứng nguồn gốc bên trong chính mô hình.
“Mô hình AI đang trở thành một trong những tài sản sở hữu trí tuệ giá trị nhất thế giới, nhưng một khi mô hình bị sao chép hoặc chưng cất, việc chứng minh quyền sở hữu trở nên cực kỳ khó,” bà Sachi Kamiya, Giám đốc Đầu tư mạo hiểm và Tăng trưởng tại Sentient Foundation, chia sẻ. “Fingerprinting đặt bằng chứng vào trong mô hình. Hãy nghĩ nó như phiên bản AI của các ký hiệu ẩn mà các họa sĩ Phục Hưng dùng để khẳng định tác giả.”
Chữ ký ẩn bên trong mô hình
Được phát triển bởi các nhà nghiên cứu tại Sentient Labs và cộng đồng, fingerprinting cho mô hình là tập hợp các kỹ thuật tạo, phát hiện hoặc xác minh những tín hiệu đặc trưng gắn với một mô hình, cho phép kiểm tra danh tính hoặc “phả hệ” của nó sau này.
Cách tiếp cận của Sentient là nhúng các “chữ ký hành vi” ẩn ngay trong quá trình huấn luyện. Về sau, chủ sở hữu chỉ cần quyền truy cập API tới mô hình nghi ngờ là dẫn xuất. Bằng cách gửi các prompt thử thách bí mật và kiểm tra phản hồi, họ có thể đánh giá liệu dấu vết của mô hình gốc còn tồn tại hay không.
Nói một cách đơn giản, mô hình mang theo bằng chứng về nơi nó được sinh ra.
“Dấu ấn là một chữ ký hành vi được mã hóa trong lúc huấn luyện và được xác minh sau này thông qua các prompt thử thách để xem mô hình nghi vấn còn mang dấu vết của bản gốc hay không,” ông Eduardo Contente, Nhà nghiên cứu AI tại Sentient Labs, cho biết.
Điều này tạo ra thứ mà AI trước nay gần như thiếu vắng: nguồn gốc mô hình có thể được kiểm chứng từ chính mô hình, thay vì chỉ dựa vào log, metadata hay điều tra bên ngoài.
24.576 dấu vân tay trong một mô hình
Các nhà nghiên cứu Sentient đã chứng minh fingerprinting có thể mở rộng vượt xa những phương pháp đi trước.
Phương pháp Perinucleus, được giới thiệu tại NeurIPS 2025, đã nhúng 24.576 dấu vân tay vào Llama-3.1-8B với tổn thất hiệu năng tối thiểu, trong đó nhiều dấu vẫn sống sót qua các đợt fine-tune ở downstream.
Quy mô này rất quan trọng. Nhiều dấu vân tay hơn đồng nghĩa với độ tin cậy thống kê cao hơn, thêm cơ hội xác minh nguồn gốc, và sức chống chịu tốt hơn khi mô hình bị sao chép hoặc phân phối rộng rãi.
Tuy nhiên, mở rộng quy mô chỉ là một nửa bài toán. Câu hỏi khó hơn là liệu những dấu vân tay này có sống sót trước một đối thủ chủ động tìm cách xóa bỏ chúng hay không.
Sentient chủ động “bẻ khóa” dấu vân tay – kể cả của chính mình
Nghiên cứu mới nhất từ Sentient Labs cho thấy nhiều phương pháp fingerprinting và watermarking hiện nay vẫn dễ bị tổn thương trước các đối thủ tinh vi.
Trong nghiên cứu trình bày tại SaTML 2026, các nhà nghiên cứu Sentient đã xây dựng những tấn công thích ứng nhắm vào 10 cơ chế fingerprinting mới được đề xuất và phát hiện gần như tất cả đều có thể bị qua mặt bởi một kẻ tấn công đủ tinh vi mà không làm suy giảm đáng kể tính hữu dụng của mô hình.
Danh sách này bao gồm cả Perinucleus, phương pháp của chính Sentient.
Thay vì che giấu điểm yếu, Sentient công khai chúng.
Fingerprinting Leaderboard được thiết kế để biến quá trình “đối kháng” đó thành một bộ chuẩn mở. Phiên bản đầu tập trung đánh giá khả năng nhúng dấu vân tay mà không làm giảm hiệu năng mô hình. Các phiên bản kế tiếp sẽ bổ sung tiêu chí về độ bền vững trước tấn công, kiểm tra khả năng sống sót của dấu vân tay trước những nỗ lực chủ đích nhằm xóa bỏ hoặc né tránh.
Mục tiêu rất rõ ràng: một dấu vân tay không chỉ cần sống sót qua benchmark nghiên cứu, mà phải sống sót trước những người thực sự muốn phá hủy nó.
Mở bài kiểm tra cho cộng đồng nghiên cứu
Đi kèm bảng xếp hạng, Sentient phát hành mlprints, thư viện mã nguồn mở đưa các kỹ thuật fingerprinting và tấn công vào một khung đánh giá thống nhất.
Các nhà nghiên cứu có thể triển khai phương pháp mới, phát triển tấn công mới, tái lập kết quả đã công bố và so sánh các tiếp cận trong cùng điều kiện khi lĩnh vực tiến hóa.
Fingerprinting Leaderboard được thiết kế để phát triển cùng cộng đồng nghiên cứu, biến fingerprinting mô hình thành một môi trường kiểm thử mở, nơi những tuyên bố về độ bền vững có thể được kiểm chứng độc lập thay vì chỉ được chấp nhận theo lời tác giả.
Mở mô hình mà không đánh mất quyền sở hữu
Fingerprinting có thể là lời giải cho một trong những bài toán khó nhất của AI nguồn mở.
Hiện nay, các nhà phát triển thường đứng trước lựa chọn đánh đổi: giữ kín trọng số để duy trì kiểm soát, hoặc mở hoàn toàn và chấp nhận mất dấu cách mô hình bị sao chép, tái sử dụng.
Fingerprinting mở ra một khả năng khác.
Thay vì ngăn chặn sao chép, nó tạo ra bằng chứng về nguồn gốc mô hình sau khi việc sao chép đã xảy ra. Về lâu dài, bằng chứng này có thể là nền tảng cho cơ chế ghi nhận tác giả, thực thi cấp phép, đảm bảo kinh tế và các hệ thống khác xoay quanh nguồn gốc mô hình có thể xác minh.
Bằng việc giúp nguồn gốc mô hình trở nên kiểm chứng được, nghiên cứu fingerprinting và Fingerprinting Leaderboard của Sentient hướng tới một hệ sinh thái AI mở, nơi mô hình có thể được chia sẻ và xây dựng tiếp mà không mặc định tước đi khả năng của nhà sáng tạo trong việc chứng minh công nghệ xuất phát từ đâu.
Mục tiêu dài hạn còn tham vọng hơn: một dấu vân tay gắn chặt đến mức với năng lực mô hình, đến nỗi việc loại bỏ nó sẽ đồng thời phá hỏng chính mô hình.
Tài sản trí tuệ có thể chứng minh. Hiểu rõ mô hình của bạn.
Tìm hiểu thêm: https://fingerprint.sentient.foundation
Về Sentient Foundation
Sentient Foundation là tổ chức phi lợi nhuận với sứ mệnh đảm bảo Trí tuệ nhân tạo tổng quát (AGI) vẫn là mã nguồn mở và phù hợp với lợi ích nhân loại. Hoạt động dựa trên nguyên tắc trung lập và minh bạch, Foundation thúc đẩy việc ứng dụng rộng rãi AGI nguồn mở, xây dựng chuẩn an toàn và căn chỉnh, cấp tài trợ cho các nhà phát triển trên toàn cầu, và điều phối các khung quản trị cho phát triển AI có trách nhiệm. Liên hệ báo chí: [email protected]
Website: https://sentient.foundation
X: https://x.com/sentient_found
LinkedIn: https://www.linkedin.com/company/sentient-foundation/
Về Sentient Labs
Sentient Labs là bộ phận nghiên cứu kỹ thuật và phát triển sản phẩm của Sentient Foundation.
Labs dẫn dắt nghiên cứu ứng dụng trong suy luận, căn chỉnh và điều phối đa tác nhân, xây dựng các framework và mô hình nguồn mở – bao gồm nhưng không giới hạn ở ROMA, OML và Arena – nhằm chứng minh sức mạnh của trí tuệ nhân tạo do cộng đồng dẫn dắt. Điều này bao gồm hỗ trợ thương mại hóa công cụ nguồn mở, nâng cao chất lượng và tính hữu dụng của hệ sinh thái AI nguồn mở thông qua điều phối cấp hệ sinh thái, và cung cấp kênh phân phối cần thiết để nguồn mở trở thành tiêu chuẩn mặc định trong AI.
Website: https://sentient.xyz
LinkedIn: https://www.linkedin.com/company/sentientagi
Liên hệ
Sachi Kamiya
Sentient Foundation
[email protected]