SBW：抗改写防伪造的智能体行为水印

Suxin Ji等研究者提出语义行为水印SBW，用于大语言模型智能体的来源追溯：在历史条件下的语义动作簇上嵌入水印，并以密钥化抗碰撞分桶替代公开簇分桶，称其新桶分配在随机预言机模型下可证不可预测。 在ToolBench和ALFWorld上，该方法改写下的检测率最高达0.97，并将自适应伪造从100%降至假阳性下限；代价是每步水印容量约减半。当攻击者复制受害者自身步骤时，乱序拼接被消除（Qwen2.5-3B上为0.000），但链式重放仍在五个模型上保持0.76-0.98，作者将其列为待解问题。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。