Tipo 1: caratteri Unicode a larghezza zero
Il tipo più diffuso nelle attuali applicazioni web AI. Si tratta di punti di codice Unicode che non hanno glifi visibili e larghezza di avanzamento pari a zero: il cursore si sposta a destra esattamente di zero pixel. Sopravvivono al copia-incolla dal browser al documento senza alcuna traccia visiva. Esempi comuni includono:
- U+200B: spazio a larghezza zero
- Il carattere della filigrana AI più comune. Inserito tra parole o lettere.
- U+200C: non unitore a larghezza zero
- Legittimo nel testo arabo/farsi per sopprimere le legature. Anomalo nei documenti in caratteri latini.
- U+200D — Giunto a larghezza zero
- Utilizzato nelle sequenze emoji. Presente in testo normale senza emoji è sempre un artefatto.
- U+2060: unione di parole
- Funzionalmente equivalente a uno spazio no-break di larghezza zero. A volte sostituito dall'U+200B nei modelli più recenti.
- U+FEFF — Contrassegno dell'ordine dei byte
- La distinta base UTF-8. Legittimo solo all'inizio di un file; il posizionamento a metà testo è sempre un artefatto di inserimento.
Tipo 2: sostituzioni di punteggiatura
I modelli di intelligenza artificiale vengono addestrati su corpora tipograficamente ricchi e per impostazione predefinita utilizzano virgolette inglesi ("intelligenti") e trattini emme invece dei loro equivalenti ASCII. Sebbene siano Unicode validi e non causino errori di codifica, sono fuori posto nel codice, nelle API, nei database e nei campi CMS che prevedono una punteggiatura ASCII diretta. Claude è particolarmente associato alla sostituzione del trattino em.
- U+2013 En trattino / U+2014 Em trattino
- Utilizzato al posto di un semplice trattino ASCII. Un predittore affidabile della paternità di Claude e GPT-4 nei set di addestramento del rilevatore.
- U+00AD — Trattino morbido
- Invisibile nel rendering normale, visibile alle interruzioni di riga. Utilizzato come indicatore di posizione, non come un vero e proprio trattino.
- U+2018–U+201D — virgolette ricce
- Tipograficamente corretto ma interrompe query SQL, stringhe JSON e molti strumenti CLI che prevedono virgolette semplici.
Tipo 3: spazi unificatori e speciali
Nel testo AI compaiono diversi caratteri spaziali al di fuori di U+0020. Gli spazi unificatori (U+00A0) impediscono le interruzioni di riga e causano problemi di layout nell'HTML reattivo. Gli spazi stretti senza interruzione (U+202F) compaiono attorno a determinati segni di punteggiatura nei modelli locali francesi. Gli spazi ideografici (U+3000) compaiono negli output del modello CJK mescolati con testo occidentale. Tutti sono innocui semanticamente ma distruttivi in contesti strutturati.
Tipo 4: impronte HTML e attributi di dati
Quando esporti o copi dall'interfaccia web di ChatGPT, il payload degli appunti include tag HTML con attributi di dati proprietari: data-message-id, data-start, data-end e data-scroll-id. Questi attributi identificano in modo univoco la conversazione e la posizione di ciascun token al suo interno. Incollare in un editor rich-text o CMS che accetta input HTML incorporerà silenziosamente queste impronte digitali nel codice sorgente del documento.
Tipo 5: filigrane statistiche sulla probabilità dei token
Implementate a livello di modello, le filigrane statistiche funzionano suddividendo il vocabolario del modello in una "lista verde" e una "lista rossa" ad ogni passaggio di generazione. I logit del modello vengono spostati per favorire i token della lista verde. La distorsione è sufficientemente piccola da non influenzare la qualità dell’output, ma in un intero documento il surplus di token verdi è statisticamente rilevabile con elevata confidenza. Google SynthID per il testo utilizza questo approccio. Nessuno scanner di caratteri è in grado di rilevare o rimuovere queste filigrane.
Tipo 6: filigrane semantiche e resistenti alla parafrasi
I prototipi di ricerca incorporano filigrane scegliendo tra sinonimi o ristrutturazioni di frasi che preservano il significato ma portano una parte nascosta. Poiché la filigrana è nella semantica piuttosto che nella forma superficiale, sopravvive alla parafrasi. Queste filigrane non sono ancora implementate nei prodotti di intelligenza artificiale di consumo, ma sono oggetto di attivi sforzi di standardizzazione ai sensi delle disposizioni sulla trasparenza della provenienza dell'UE AI Act.