Typ 1 — znaki Unicode o zerowej szerokości
Najbardziej rozpowszechniony typ w obecnych aplikacjach internetowych AI. Są to punkty kodowe Unicode, które nie mają widocznego glifu i zerowej szerokości przesunięcia: kursor przesuwa się w prawo o dokładnie zero pikseli. Przetrwają kopiowanie i wklejanie z przeglądarki do dokumentu bez żadnych śladów wizualnych. Typowe przykłady obejmują:
- U+200B — przestrzeń o zerowej szerokości
- Najpopularniejszy znak wodny AI. Wstawiony pomiędzy słowami lub literami.
- U+200C — złącze bez łącznika o zerowej szerokości
- Legalne w tekście arabskim/farsi w celu wyeliminowania ligatur. Anomalne w dokumentach zapisanych alfabetem łacińskim.
- U+200D — Łącznik o zerowej szerokości
- Używany w sekwencjach emoji. Występujący w postaci zwykłego tekstu bez emoji, zawsze jest artefaktem.
- U+2060 — Łącznik słów
- Funkcjonalnie równoważny spacji bez przerwy o zerowej szerokości. Czasami zastępuje U+200B w nowszych modelach.
- U+FEFF — znacznik kolejności bajtów
- BOM UTF-8. Uprawnione tylko na początku pliku; Umieszczenie w środku tekstu jest zawsze artefaktem wstawiania.
Typ 2 — Podstawienia interpunkcyjne
Modele AI są szkolone na korpusach bogatych w typografię i domyślnie używają kręconych („inteligentnych”) cudzysłowów i myślników zamiast ich odpowiedników w formacie ASCII. Chociaż są to prawidłowe Unicode i nie powodują błędów kodowania, są nie na miejscu w kodzie, interfejsach API, bazach danych i polach CMS, które wymagają prostej interpunkcji ASCII. Claude jest szczególnie kojarzony z podstawieniem em-dash.
- U+2013 En myślnik / U+2014 Em myślnik
- Używany zamiast prostego łącznika ASCII. Wiarygodny predyktor autorstwa Claude'a i GPT-4 w zbiorach uczących detektorów.
- U+00AD — łącznik miękki
- Niewidoczne w normalnym renderowaniu, widoczne na końcach linii. Używany jako znacznik pozycji, a nie prawdziwy łącznik.
- U+2018–U+201D — cudzysłowy kręcone
- Poprawne typograficznie, ale z przerwami zapytania SQL, ciągi JSON i wiele narzędzi CLI, które oczekują prostych cudzysłowów.
Typ 3 — spacje nierozdzielające i specjalne
W tekście AI pojawia się kilka spacji poza U+0020. Spacje nierozdzielające (U+00A0) zapobiegają łamaniu wierszy i powodują problemy z układem w responsywnym kodzie HTML. Wąskie spacje bez przerw (U+202F) pojawiają się wokół niektórych znaków interpunkcyjnych w modelach z językami francuskimi. Przestrzenie ideograficzne (U+3000) pojawiają się w wynikach modelu CJK zmieszanych z tekstem zachodnim. Wszystkie są nieszkodliwe semantycznie, ale destrukcyjne w ustrukturyzowanych kontekstach.
Typ 4 — odciski palców HTML i atrybutów danych
Kiedy eksportujesz lub kopiujesz z interfejsu internetowego ChatGPT, ładunek schowka zawiera znaczniki HTML z zastrzeżonymi atrybutami danych: data-message-id, data-start, data-end i data-scroll-id. Te atrybuty jednoznacznie identyfikują konwersację i pozycję każdego tokena w niej. Wklejenie do edytora tekstu sformatowanego lub systemu CMS, który akceptuje wprowadzanie kodu HTML, spowoduje ciche osadzenie tych odcisków palców w kodzie źródłowym dokumentu.
Typ 5 — znaki wodne statystycznego prawdopodobieństwa tokenu
Wdrożone na poziomie modelu statystyczne znaki wodne działają poprzez podzielenie słownictwa modelu na „zieloną listę” i „czerwoną listę” na każdym etapie generowania. Logity modelu zostają przesunięte w stronę żetonów z zielonej listy. Odchylenie jest na tyle małe, że nie ma wpływu na jakość wydruku, ale w całym dokumencie nadwyżka zielonego znacznika jest statystycznie wykrywalna z dużą pewnością. Google SynthID dla tekstu wykorzystuje to podejście. Żaden skaner znaków nie jest w stanie wykryć ani usunąć tych znaków wodnych.
Typ 6 — Znaki wodne odporne na semantykę i parafrazę
Prototypy badawcze osadzają znaki wodne, wybierając między synonimami a strukturami zdań, które zachowują znaczenie, ale niosą ukryty fragment. Ponieważ znak wodny ma raczej semantykę niż formę powierzchniową, przetrwa parafrazę. Te znaki wodne nie są jeszcze stosowane w konsumenckich produktach AI, ale są przedmiotem aktywnych wysiłków normalizacyjnych zgodnie z przepisami dotyczącymi przejrzystości pochodzenia zawartymi w akcie UE dotyczącym sztucznej inteligencji.