LLM 추론 엔진과 워터마킹을 함께 설계해 서빙 효율을 높인 프레임워크 SWIFT가 제안됐다. 텍스트 생성과 워터마크 삽입을 하나의 백엔드에서 처리해 재계산을 줄이고, 명령어 기반 후보 생성으로 의미 보존력을 높였으며, 비동기 공동 서빙과 vLLM 최적화로 지연시간을 줄였다. 실험에서 SWIFT는 가장 높은 유용성 점수(4.87)와 99.65%의 탐지 정확도를 기록해 경쟁 기법 SynthID(76.65%)를 크게 앞섰고, 워터마크 제거 공격에서도 최대 97.7% 탐지율을 유지했다. 최고 유용성 기준선 대비 지연시간은 5.9배 낮았다.
- •텍스트 생성과 워터마크 삽입을 단일 LLM 백엔드에서 통합 처리해 재계산 감소
- •유용성 점수 4.87로 최고, 탐지 정확도 99.65%(SynthID 76.65% 대비 우세)
- •워터마크 제거 공격 하에서도 최대 97.7% 탐지율 유지
- •최고 유용성 기준선 SafeSeal 대비 지연시간 5.9배 단축
0단 자동
AI가 규칙대로 쓰고 그대로 게시했습니다. 사람이 따로 보지 않았습니다.
- 규칙 판
- 규칙 판 도입 이전 기사입니다.
- 남기는 것
- 규칙 판 · 모델 · 시각
- 판 기록
- 아직 없습니다.
Adaptive Co-Serving LLM Watermarking on Modern Inference Engines
- 1.LLM 워터마킹을 별도 컴포넌트가 아니라 추론 인프라와 공동설계하는 'SWIFT' 프레임워크 제안
- 2.텍스트 생성과 워터마크 구성을 같은 LLM 백엔드에서 처리해 재계산을 줄이고 캐시 재사용을 높임
- 3.비동기 co-serving과 적응형 스케줄링, vLLM 최적화로 서빙 효율을 끌어올리면서 워터마크 삽입을 병행
- 4.유틸리티 점수 4.87로 최고, 탐지정확도 99.65%(SynthID 76.65% 대비), SafeSeal보다 지연 5.9배 낮음
왜 중요한가?
기존 LLM 워터마킹은 알고리즘 설계에만 집중해 실제 서빙에서 지연·메모리 부담을 키웠는데, 추론 엔진과의 공동설계로 실용성과 탐지력을 동시에 확보해 저작권 보호 워터마킹의 실제 배포 장벽을 낮춘다.
본문 미리보기
arXiv:2610.03955v1 Announce Type: new Abstract: Large language model (LLM) watermarking is important for ownership verification and intellectual property protection. However, existing approaches focus on algorithmic design while treating LLM inference engines as separate components. This separation often introduces auxiliary models or external tools, increasing latency and memory overhead while limiting the use of modern inference optimizations. As a result, a deployment gap remains: practical
전체 내용이 궁금하다면?
원문을 직접 읽어보세요
이 글이 만들어진 과정
- 11:24AI 초안
