Type 1 — Unicode-tekens met nulbreedte
Het meest voorkomende type in de huidige AI-webapplicaties. Dit zijn Unicode-codepunten zonder zichtbare glyph en een voortbewegingsbreedte van nul: de cursor beweegt precies nul pixels naar rechts. Ze overleven het kopiëren en plakken van browser naar document zonder enig visueel spoor. Veel voorkomende voorbeelden zijn:
- U+200B — Ruimte met nulbreedte
- Het meest voorkomende AI-watermerkteken. Ingevoegd tussen woorden of letters.
- U+200C — Niet-verbinder met nulbreedte
- Legitiem in Arabische/Farsi-tekst om ligaturen te onderdrukken. Afwijkend in documenten in Latijns schrift.
- U+200D — Verbinder met nulbreedte
- Gebruikt in emoji-reeksen. Presenteren in platte tekst zonder emoji, het is altijd een artefact.
- U+2060 — Woordverbinder
- Functioneel equivalent aan een no-break-ruimte met een breedte van nul. Soms vervangen door U + 200B in nieuwere modellen.
- U+FEFF — Bytevolgordemarkering
- De UTF-8 BOM. Alleen legitiem aan het begin van een bestand; De plaatsing in het midden van de tekst is altijd een invoegartefact.
Type 2 — Interpunctievervangingen
AI-modellen zijn getraind op typografisch rijke corpora en gebruiken standaard gekrulde ('slimme') aanhalingstekens en em-streepjes in plaats van hun ASCII-equivalenten. Hoewel dit geldige Unicode is en geen coderingsfouten veroorzaakt, zijn ze niet op hun plaats in code, API's, databases en CMS-velden die directe ASCII-interpunctie verwachten. Claude wordt vooral geassocieerd met em-dash-substitutie.
- U+2013 En-streepje / U+2014 Em-streepje
- Gebruikt in plaats van een eenvoudig ASCII-koppelteken. Een betrouwbare voorspeller van het auteurschap van Claude en GPT-4 in detectortrainingssets.
- U+00AD — Zacht koppelteken
- Onzichtbaar bij normale weergave, zichtbaar bij regeleinden. Gebruikt als positionele markering, niet als een echt koppelteken.
- U+2018–U+201D — Gekrulde aanhalingstekens
- Typografisch correct, maar gebroken SQL-query's, JSON-tekenreeksen en veel CLI-tools die rechte aanhalingstekens verwachten.
Type 3 — Vaste en speciale ruimtes
Er verschijnen verschillende spaties buiten U+0020 in AI-tekst. Niet-afbrekende spaties (U+00A0) voorkomen regeleinden en veroorzaken lay-outproblemen in responsieve HTML. In modellen voor de Franse taal verschijnen er smalle, niet-afgebroken spaties (U+202F) rond bepaalde interpunctie. Ideografische spaties (U+3000) verschijnen in CJK-modeluitvoer gemengd met westerse tekst. Semantisch zijn ze allemaal onschadelijk, maar ontwrichtend in gestructureerde contexten.
Type 4 — HTML en vingerafdrukken met gegevenskenmerken
Wanneer u exporteert of kopieert vanuit de webinterface van ChatGPT, bevat de payload van het klembord HTML-tags met eigen gegevensattributen: data-message-id, data-start, data-end en data-scroll-id. Deze attributen identificeren op unieke wijze het gesprek en de positie van elk token daarin. Als u het in een rich-text-editor of CMS plakt die HTML-invoer accepteert, worden deze vingerafdrukken stil in de broncode van uw document ingesloten.
Type 5 — Watermerken voor statistische tokenwaarschijnlijkheid
Statistische watermerken, geïmplementeerd op modelniveau, werken door de woordenschat van het model bij elke generatiestap op te delen in een 'groene lijst' en een 'rode lijst'. De logits van het model worden verschoven ten gunste van tokens op de groene lijst. De vertekening is zo klein dat de kwaliteit van de uitvoer onaangetast blijft, maar voor het hele document is het overschot aan groene tokens statistisch met grote zekerheid waarneembaar. Google SynthID voor tekst gebruikt deze aanpak. Geen enkele karakterscanner kan deze watermerken detecteren of verwijderen.
Type 6 — Semantische en parafrasebestendige watermerken
Onderzoeksprototypes integreren watermerken door te kiezen tussen synoniemen of zinsherstructureringen die de betekenis behouden maar een verborgen stukje met zich meebrengen. Omdat het watermerk zich in de semantiek bevindt en niet in de oppervlaktevorm, overleeft het de parafrasering. Deze watermerken worden nog niet toegepast in AI-producten voor consumenten, maar zijn het onderwerp van actieve standaardisatie-inspanningen in het kader van de bepalingen inzake herkomst-transparantie van de EU AI Act.