- OpenAI 允许全球 API 客户为受支持模型选择开启文本水印，默认关闭；欧盟内符合条件的 ChatGPT 与 Codex 文本输出计划在未来数周加入不可见水印，检测器首批只向获批研究者和专业机构开放。
- OpenAI 自测表明，文本越短、词序越受约束或编辑越多，水印越难检出；Anthropic 也明确列出型号、平台、短文本、翻译和格式转换等覆盖与保留边界。
- 欧盟 Article 50 把提供者的机器可读标记义务与部署者对 deepfake、部分公共利益文本的披露义务分开；实践守则为自愿工具，法规透明度义务本身并非自愿。
文本水印开始成为可配置的模型输出能力
OpenAI 于 10 月 5 日公布文本溯源方案。全球 API 客户可以为受支持模型选择开启文本水印，API 默认仍为关闭；客户指引显示，配置可以作用于指定项目，也可以覆盖整个组织。未来数周，欧盟内符合条件的 ChatGPT 与 Codex 文本输出将加入不可见水印。OpenAI 没有把检测器同步公开，而是先向获批研究者和专业机构开放申请，理由包括漏检和误报风险。
Anthropic 的公开说明展示了另一种覆盖方式：受支持的 Claude 模型会在 Claude Platform（API）、Claude、Claude Code、Claude Cowork、Claude Tag 以及部分云伙伴环境中加入文本水印，支持的生成文件还可带有 C2PA 内容凭证。覆盖并非所有型号、平台和文件类型完全一致；其型号表还注明，部分 Amazon Bedrock 输出的部署预计到 10 月 12 日才完成。两家厂商的地域、默认开关、模型范围和检测访问方式因此不能互相替代。
对企业落地而言，内容标记需要进入模型与渠道清单：同一业务在直连 API、员工产品、云伙伴和文件输出中的标记状态可能不同，默认值也可能不同。采购或集成验收不能只记录“供应商支持水印”，还要对应到模型版本、项目或组织配置、输出类型、部署地域和检测权限，才能判断实际链路是否产生可核验信号。
检测率随文本长度、内容约束和编辑幅度变化
OpenAI 把 textGrain 描述为嵌入词语选择的不可见统计信号，检测器再判断文本是否含有该信号。技术报告使用带熵预算的最优传输，把带密钥的随机性作用于词元分组；这说明水印不是附加在文件上的固定标签，而是与生成采样过程相连。OpenAI 同时强调，理想条件下的结果不能保证日常使用中的可靠检出。
在目标假阳性率为 1% 的厂商评估中，心理学类内容的 200 token 段落约有 80% 被检出，400 token 段落约为 95%；数学类内容因可选措辞较少而明显更低。对 400 token 英文段落替换 10% 同义词时，检出率约由 92% 降至 66%，替换 25% 时降至 17%。Anthropic 也说明，短文本、重写、翻译、与其他文字混合、格式转换或截图都可能削弱或移除标记。上述数字来自 OpenAI 自测，尚不能视为跨模型、跨语言或独立环境的通用基准。
对企业落地而言，水印检测更接近带有误差条件的证据信号，而不是二元真伪判定。测试需要保留语言、长度、任务类型、编辑和翻译路径，并同时记录假阳性与假阴性；单一阈值或一次未检出不能直接作为内容由人工创作、没有经过模型处理或符合披露要求的证明。
法规把生成端标记与发布端披露分成两类责任
欧盟委员会说明，AI Act Article 50 的透明度义务自 2026 年 8 月 2 日适用。提供者一侧聚焦让生成或操纵的音频、图像、视频和文本以机器可读方式被标记和检测，并要求技术方案在可行范围内考虑有效性、互操作性、稳健性、成本和技术现状。部署者一侧则聚焦 deepfake，以及向公众传播、涉及公共利益事项的 AI 生成或操纵文本。
对于公共利益文本，委员会列出的边界包括内容已经过人工审核并承担编辑责任。透明度实践守则把提供者和部署者分别组织成两部分，用于帮助证明合规；加入守则是自愿的，但 Article 50 的法律义务不是自愿的。由此，模型服务提供了水印，并不自动证明使用该模型的企业已经完成其发布端披露、人工审核或编辑责任。
对企业落地而言，模型提供者的技术标记记录和内容部署者的发布治理记录需要分别保存。前者回答输出是否携带机器可读信号，后者还要回答发布场景、公共利益属性、人工审核和编辑责任；两类证据可以互相支持，但不能由一次水印检测相互替代。具体适用范围仍取决于法规文本、委员会指南和业务事实，而不是厂商页面的一般说明。
溯源链需要同时保留系统信号与业务过程
两家厂商都把标记描述为有限信号。OpenAI 明确指出，水印不能衡量人工贡献，不能确定所有权、责任或用户身份，也不能验证文本是否准确；没有检出水印同样不能证明文本由人类创作。Anthropic 则指出，检测到标记只表示内容可能曾由 Claude 处理，原始文字或观点可能来自其他来源，处理后也可能再次被修改。
因此，企业内容溯源的证据链不能只剩最终文本的一次扫描。较完整的记录应把输入来源、模型与版本、标记开关、生成时间、后续编辑或翻译、人工审核和最终发布对象连接起来；水印或 C2PA 用于补充其中一段技术信号，工作流记录则说明内容经历了哪些业务处理。今天的材料证明标记能力正在进入产品配置，却没有证明水印已经能够独立恢复完整作者链或判断内容真实性。
对企业落地而言，来源信号、内容事实核验和责任审批是三项不同控制。水印可以帮助发现某类模型处理痕迹，但不能替代引用核对、事实审核、权限记录或发布责任；只有把机器信号与可追溯的业务过程并列保存，才可能在采购、审计和争议处理时解释一段内容为何出现、由谁审核以及经过了哪些变换。
后续观察
- textGrain 与其他文本水印能否公开跨语言、不同文本长度、翻译和多轮人工编辑条件下的独立误报与漏报测试。
- 不同模型、API、员工产品和云伙伴能否提供稳定可查询的标记覆盖矩阵、配置审计记录与检测访问条件。
- Article 50 的委员会指南和后续执法实践将如何界定人工审核、编辑责任以及企业自建生成式 AI 服务的部署者义务。
来源与核验
本文由英科铸数基于所列公开资料编辑撰写。事实与数据以原始来源为准；“对企业落地意味着什么”为英科铸数结合企业客户场景所作的编辑分析，不构成对第三方产品的背书。
← 返回每日观察