In-processing watermarking
La categoria di watermarking che incorpora il segnale mentre il testo viene generato, alterando i logit o la strategia di campionamento del modello.
In-processing watermarking è la categoria di LLM watermarking che aggiunge il segnale mentre il testo viene generato, guidando le scelte di token del modello durante il decoding, in modo che il watermark diventi parte integrante del testo invece che un’aggiunta successiva.1 La letteratura sulla detection lo chiama anche generation-time watermarking.2
Perché funziona così
Il segnale è nativo nel testo, non aggiunto dopo: questo lo rende in genere più forte in detection e con meno falsi positivi rispetto al post-processing watermarking.2 Il prezzo è che richiede accesso al modello e controllo su come il testo viene generato: è quindi utilizzabile solo da chi controlla o serve direttamente il modello, tipicamente il provider che espone l’API.2
Due fasi distinte del decoding
La letteratura distingue due momenti in cui il segnale può essere iniettato durante la generazione, entrambi in-processing ma tecnicamente diversi:3
- Fase dei logit: si alterano i punteggi grezzi assegnati dal modello a ciascun token prima del softmax. È il meccanismo della tecnica fondativa di Kirchenbauer et al. (2023), che applica un bias ai token di una lista “verde”.
- Fase di campionamento: i logit restano invariati ma è il campionatore a introdurre un bias leggero nella probabilità finale dei token, riscalando le probabilità già normalizzate secondo una funzione peso legata alla chiave. Permette di ottenere lo stesso effetto senza modificare i logit grezzi del modello.
Tecniche principali
A partire dalla tecnica fondativa a liste verdi e rosse si sono sviluppate varianti che rafforzano teoria o robustezza: una partizione fissa del vocabolario con garanzie teoriche su edizioni limitate, varianti senza distorsione che preservano la distribuzione originale dei token in aspettativa, e un approccio che ancora il segnale al significato della frase invece che al singolo token per resistere alla parafrasi.1 Il riferimento di produzione è SynthID di Google DeepMind, che interviene in fase di campionamento con una procedura a torneo senza alterare i logit; il Claude Text Watermark di Anthropic (2026), una versione dell’approccio SynthID-Text applicata a tutti i modelli Claude dal 2 agosto 2026, ne è la variante in produzione.4
Trade-off
Più forte in detection e con meno falsi positivi, ma vincolato al controllo sul modello.2 Le varianti adattive o semantiche migliorano la robustezza a parafrasi e modifiche del testo, ma introducono overhead computazionale, come latenza extra in generazione o dipendenza da modelli di embedding esterni.1
Voci correlate
- LLM watermarking — la famiglia di tecniche cui appartiene questa categoria
- Training phase watermarking — la fase precedente del ciclo di vita, in cui il segnale viene iniettato prima ancora della generazione
- Post-processing watermarking — la categoria complementare, per scenari black-box
- SynthID — l’implementazione in produzione di Google DeepMind
- Claude Text Watermark — la variante SynthID-Text in produzione (Anthropic, 2026)
- Portale: LLM watermarking
Bibliografia e sitografia
- Phan, T. et al., A Survey on LLM Watermarking: Theory and Deployment, arXiv, luglio 2026.
- Ye, Y. et al., Securing Large Language Models: A Survey of Watermarking and Fingerprinting Techniques, ACM Computing Surveys, febbraio 2026.
- Xiang, Li, Hu, Liu, AI-Generated Text Detection: Comprehensive Review, CMC-Computers, Materials & Continua, 2025.
- Anthropic, How Claude’s Text Watermark Works, 14 agosto 2026. anthropic.com