arXiv cs.CY· Alexander Nemecek, Yuqiao Xu, Joseph Falkenburg, Erman Ayday·· 11 小时前AI 评分31
无需 Tokenizer 仍有差距：同形字与不可见字符水印的跨语言公平性研究
No Tokenizer, Still a Gap: Cross-Lingual Fairness of Homoglyph and Invisible-Character Watermarking
AI 导读
研究在 24 种文字体系的 40 种语言变体上测量同形字与不可见字符水印，发现隐藏容量相差 3.3 倍，其中 96% 由文字体系解释。拉丁文字内部资源水平无显著差异（ρ=+0.095，p=0.78），跨文字体系则随资源水平上升（ρ=+0.54）。普通复制粘贴会剥离不可见字符并拉大差距：检测器约需 2 个英文或波斯文码点，而老挝文需 93 个。
正文 · AI 翻译
摘要：同形异义字符和不可见字符水印是基于编辑的水印。它们不改变模型生成文本的方式，而是在文本写好后在其中隐藏信号。它们把一些字符替换为同形异义字符——这些字符看起来相同或非常相似，但具有不同的 Unicode 码点——或者插入不显示的字符，全程无需访问写出该文本的模型。由于分词器切分文本的方式，生成时水印在低资源语言上效果较差。由于这类水印作用于单个字符，从不接触分词器，因此我们追问它们是否能避开这一差距。在 24 种文字系统的 40 种语言变体中，我们测量了容量（每个字符可承载的隐藏比特数）、其中有多少能在常规处理和定向移除后存活，以及带密钥的检测器需要多少文本。容量相差 3.3 倍，文字系统解释了其中 96\% 的差异。在拉丁文字系统内，资源水平没有可检测的差异（$\rho=+0.095$，$p=0.78$），但跨文字系统时容量随资源水平上升（$\rho=+0.54$，95\% CI $[+0.14,+0.83]$），因为低资源语言往往使用同形异义字符较少的文字系统。普通的复制粘贴会剥离不可见字符，从而扩大差距：此时检测器需要约 2 个英文或波斯文码点，但需要 93 个老挝文码点。移除分词器并未消除这种不平等，而只是改变了其来源。
| 评论： | 19 页 |
| 主题： | 计算与语言（cs.CL）；密码学与安全（cs.CR）；计算机与社会（cs.CY） |
| 引用为： | arXiv:2610.36432 [cs.CL] |
| （或 arXiv:2610.36432v1 [cs.CL] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.36432 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Alexander Nemecek [查看邮箱]
[v1]
2026 年 10 月 27 日星期二 00:27:01 UTC（169 KB）
来源：arXiv cs.CY · arxiv.org