Typ 1 – Unicode-Zeichen mit der Breite Null
Der am weitesten verbreitete Typ in aktuellen KI-Webanwendungen. Hierbei handelt es sich um Unicode-Codepunkte ohne sichtbare Glyphe und mit einer Vorschubbreite von Null: Der Cursor bewegt sich um genau null Pixel nach rechts. Sie überstehen das Kopieren und Einfügen vom Browser in das Dokument ohne sichtbare Spuren. Häufige Beispiele sind:
- U+200B – Leerzeichen mit Nullbreite
- Das häufigste KI-Wasserzeichenzeichen. Wird zwischen Wörtern oder Buchstaben eingefügt.
- U+200C – Nicht-Joiner mit Nullbreite
- Legitimer Text in Arabisch/Farsi zur Unterdrückung von Ligaturen. Anomal in lateinisch geschriebenen Dokumenten.
- U+200D – Verbindungsstück ohne Breite
- Wird in Emoji-Sequenzen verwendet. Im Klartext ohne Emoji dargestellt ist es immer ein Artefakt.
- U+2060 – Wortverbinder
- Funktional äquivalent zu einem No-Break-Leerzeichen mit der Breite Null. Wird in neueren Modellen manchmal durch U+200B ersetzt.
- U+FEFF – Byte-Reihenfolgemarkierung
- Die UTF-8-Stückliste. Nur am Anfang einer Datei legitim; Die Platzierung mitten im Text ist immer ein Einfügungsartefakt.
Typ 2 – Satzzeichenersetzungen
KI-Modelle werden auf typografisch reichhaltigen Korpora trainiert und verwenden standardmäßig geschweifte („intelligente“) Anführungszeichen und Gedankenstriche anstelle ihrer ASCII-Entsprechungen. Diese sind zwar gültiger Unicode und verursachen keine Codierungsfehler, sie sind jedoch in Code, APIs, Datenbanken und CMS-Feldern, die eine reine ASCII-Interpunktion erwarten, fehl am Platz. Claude wird besonders mit der Geviertstrich-Ersetzung in Verbindung gebracht.
- U+2013 En-Strich / U+2014 Em-Strich
- Wird anstelle eines einfachen ASCII-Bindestrichs verwendet. Ein zuverlässiger Prädiktor für die Urheberschaft von Claude und GPT-4 in Detektor-Trainingssätzen.
- U+00AD – Weicher Bindestrich
- Im normalen Rendering unsichtbar, an Zeilenumbrüchen sichtbar. Wird als Positionsmarkierung verwendet, nicht als echter Bindestrich.
- U+2018–U+201D – Lockige Zitate
- Typografisch korrekt, aber fehlerhafte SQL-Abfragen, JSON-Strings und viele CLI-Tools, die gerade Anführungszeichen erwarten.
Typ 3 – Geschützte und spezielle Leerzeichen
Im AI-Text erscheinen mehrere Leerzeichen außerhalb von U+0020. Geschützte Leerzeichen (U+00A0) verhindern Zeilenumbrüche und verursachen Layoutprobleme in responsivem HTML. In Modellen mit französischem Gebietsschema werden um bestimmte Satzzeichen herum schmale, geschützte Leerzeichen (U+202F) angezeigt. Ideografische Leerzeichen (U+3000) erscheinen in CJK-Modellausgaben gemischt mit westlichem Text. Alle sind semantisch harmlos, in strukturierten Kontexten jedoch störend.
Typ 4 – HTML- und Datenattribut-Fingerabdrücke
Wenn Sie über die Weboberfläche von ChatGPT exportieren oder kopieren, enthält die Nutzlast der Zwischenablage HTML-Tags mit proprietären Datenattributen: data-message-id, data-start, data-end und data-scroll-id. Diese Attribute identifizieren die Konversation und die Position jedes Tokens darin eindeutig. Durch das Einfügen in einen Rich-Text-Editor oder ein CMS, das HTML-Eingaben akzeptiert, werden diese Fingerabdrücke stillschweigend in den Quellcode Ihres Dokuments eingebettet.
Typ 5 – Statistische Token-Wahrscheinlichkeits-Wasserzeichen
Auf Modellebene implementiert, funktionieren statistische Wasserzeichen, indem sie das Vokabular des Modells bei jedem Generierungsschritt in eine „grüne Liste“ und eine „rote Liste“ unterteilen. Die Logits des Modells werden zugunsten von Token der Grünen Liste verschoben. Die Verzerrung ist so gering, dass die Ausgabequalität nicht beeinträchtigt wird, aber im gesamten Dokument ist der Überschuss an grünen Token statistisch mit hoher Sicherheit erkennbar. Google SynthID für Text verwendet diesen Ansatz. Kein Zeichenscanner kann diese Wasserzeichen erkennen oder entfernen.
Typ 6 – Semantische und paraphrasenresistente Wasserzeichen
Forschungsprototypen betten Wasserzeichen ein, indem sie zwischen Synonymen oder Satzumstrukturierungen wählen, die die Bedeutung bewahren, aber einen verborgenen Teil enthalten. Da das Wasserzeichen in der Semantik und nicht in der Oberflächenform vorliegt, überlebt es die Paraphrasierung. Diese Wasserzeichen werden noch nicht in KI-Produkten für Verbraucher eingesetzt, sind aber Gegenstand aktiver Standardisierungsbemühungen im Rahmen der Bestimmungen zur Herkunftstransparenz des EU-KI-Gesetzes.