Tipo 1 – Caracteres Unicode de largura zero
O tipo mais prevalente nas aplicações web de IA atuais. Esses são pontos de código Unicode que não possuem glifo visível e largura de avanço zero: o cursor se move exatamente zero pixels para a direita. Eles sobrevivem ao copiar e colar do navegador para o documento sem qualquer vestígio visual. Exemplos comuns incluem:
- U+200B — Espaço de largura zero
- O caractere de marca d'água de IA mais comum. Inserido entre palavras ou letras.
- U+200C — Não-juntor de largura zero
- Legítimo em texto árabe/farsi para suprimir ligaduras. Anômalo em documentos de escrita latina.
- U+200D — Joiner de largura zero
- Usado em sequências de emoji. Presente em texto simples sem emoji é sempre um artefato.
- U+2060 — Juntador de palavras
- Funcionalmente equivalente a um espaço sem interrupção de largura zero. Às vezes substituído por U+200B em modelos mais recentes.
- U+FEFF — Marca de ordem de bytes
- A lista técnica UTF-8. Legítimo apenas no início de um arquivo; o posicionamento no meio do texto é sempre um artefato de inserção.
Tipo 2 – Substituições de pontuação
Os modelos de IA são treinados em corpora tipograficamente ricos e usam como padrão aspas curvas ('inteligentes') e travessões em vez de seus equivalentes ASCII. Embora sejam Unicode válidos e não causem erros de codificação, eles estão deslocados em códigos, APIs, bancos de dados e campos CMS que esperam pontuação ASCII direta. Claude está particularmente associado à substituição do travessão.
- U+2013 Traço / U+2014 Traço
- Usado em vez de um simples hífen ASCII. Um preditor confiável de autoria de Claude e GPT-4 em conjuntos de treinamento de detectores.
- U+00AD — Hífen suave
- Invisível na renderização normal, visível nas quebras de linha. Usado como um marcador posicional, não como um hífen real.
- U+2018–U+201D — Cotações curvas
- Tipograficamente correto, mas quebra consultas SQL, strings JSON e muitas ferramentas CLI que esperam aspas diretas.
Tipo 3 — Espaços inquebráveis e especiais
Vários caracteres de espaço fora de U+0020 aparecem no texto AI. Espaços inseparáveis (U+00A0) evitam quebras de linha e causam problemas de layout em HTML responsivo. Espaços estreitos sem quebra (U+202F) aparecem em torno de determinada pontuação em modelos de localidade francesa. Espaços ideográficos (U+3000) aparecem nos resultados do modelo CJK misturados com texto ocidental. Todos são semanticamente inofensivos, mas perturbadores em contextos estruturados.
Tipo 4 – HTML e impressões digitais de atributos de dados
Quando você exporta ou copia da interface da web do ChatGPT, a carga da área de transferência inclui tags HTML com atributos de dados proprietários: data-message-id, data-start, data-end e data-scroll-id. Esses atributos identificam exclusivamente a conversa e a posição de cada token dentro dela. Colar em um editor de rich text ou CMS que aceita entrada HTML incorporará silenciosamente essas impressões digitais no código-fonte do seu documento.
Tipo 5 – Marcas d'água de probabilidade de token estatístico
Implementadas no nível do modelo, as marcas d’água estatísticas funcionam particionando o vocabulário do modelo em uma “lista verde” e uma “lista vermelha” em cada etapa de geração. Os logits do modelo foram alterados para favorecer os tokens da lista verde. O viés é pequeno o suficiente para que a qualidade da produção não seja afetada, mas em todo o documento o excedente de tokens verdes é estatisticamente detectável com alta confiança. O Google SynthID para texto usa essa abordagem. Nenhum scanner de caracteres pode detectar ou remover essas marcas d’água.
Tipo 6 – Marcas d’água semânticas e resistentes a paráfrases
Os protótipos de pesquisa incorporam marcas d'água escolhendo entre sinônimos ou reestruturações de frases que preservam o significado, mas carregam uma parte oculta. Como a marca d'água está na semântica e não na forma superficial, ela sobrevive à paráfrase. Estas marcas de água ainda não estão implementadas em produtos de IA de consumo, mas são objeto de esforços ativos de normalização ao abrigo das disposições de transparência de proveniência da Lei da IA da UE.