textGrain 是 OpenAI 和宾夕法尼亚大学合作推出、在智源 TALK 进行分享的熵校准文本水印方案，它解决了传统大模型文本水印最头疼的矛盾：如果水印信号太强，模型输出容易变得死板、重复，生成多样性大幅下滑；如果弱化水印，又很容易被改写、转述之后检测失效，这项工作依靠最优传输理论，给采样熵设置可控预算，在嵌入隐形统计水印的同时，把多样性损失约束在设定范围内，不会出现同一个提示词反复输出几乎一样文字的情况；过去很多水印方案直接修改 logit，强制固定选词偏好，很容易破坏模型原生采样分布，要么检测效果差，要么文案呆板，而 textGrain 不修改文字样式、不插入可见标记，水印藏在 token 采样概率分布里，复制粘贴后信号依然保留，刚好匹配欧盟 AI Act 对生成内容溯源标记的合规需求，同时兼顾开发者、终端用户对自然多样文本的需求，也是目前少数已经落地到 ChatGPT、Codex、OpenAI API 的学术水印方案。
textGrain 和传统文本水印对比
| 方案 | 核心思路 | 多样性表现 | 抗改写能力 | 落地开销 |
|---|---|---|---|---|
| Gumbel-max 经典水印 | 按密钥对候选词排序，强制优先选取分组内指定词 | 差，同 prompt 输出容易趋同、重复 | 中等 | 推理开销低 |
| Logit 偏移水印 | 直接对输出概率加分扰动 | 一般，熵损失不可控 | 偏弱，少量改写即可破坏信号 | 低 |
| textGrain 熵校准水印 | 最优传输 + 熵预算约束，分词块做分布耦合 | 可控，可按需设置多样性损失上限 | 更强，对转述、微调编辑容忍度更高 | 中等，分块优化降低计算压力 |
textGrain 核心技术要点清单
- 熵预算机制：允许开发者设定最多损失多少采样熵，水印强度和多样性做可量化权衡，不是固定死的单一版本。
- 词表分块耦合：把词表切分成多个分组，在分组内部做最优传输对齐，降低求解难度，适合线上推理。
- 密钥驱动划分：token 归属哪个分组由密钥和上下文共同决定，检测器拿到文本和密钥，就可以还原分组规则完成检测，不需要拿到模型原始输出分布。
- 不改动模型权重：属于解码阶段的采样侧水印，不需要重新训练或者微调大模型，接入现有推理链路更方便。
- 检测端轻量化：检测器只依赖文本本身与密钥，不用访问原始 prompt、模型日志，适合第三方机构核验。
完整嵌入与检测链路
- 拿到模型原生预测的 token 概率分布，保留 top-p、温度等原有采样参数。
- 根据密钥、当前上下文，把全部候选 token 分到不同独立词块。
- 在预设熵损失预算下求解最优传输耦合，把原始分布映射成带水印的采样分布。
- 从新分布里采样输出文本，对外看和普通生成文本没有差别。
- 核验阶段：检测器使用相同密钥，还原分组规则，统计文本 token 序列是否匹配水印统计特征。
- 输出判定结果，给出置信度，只作为溯源线索，不能直接当作侵权、作弊的终审证据。
当前落地部署规则
- 欧盟区域：ChatGPT、Codex 默认开启 textGrain 文本水印，覆盖付费用户，满足当地合规要求。
- 全球 API：企业开发者可以自主选择开启或关闭，默认关闭。
- 检测器权限：不对普通公众开放，只向资质审核通过的科研机构、合规核查团队申请使用。
- 水印边界：无法精准区分一段文字里面 AI 片段和人工改写片段，只能给出整体的溯源概率。
这项方案的短板和局限
- 如果用户做大规模重写、句式改写、机器翻译、大幅度增删，水印信号依然会衰减甚至消失，不是永久不可擦除。
- 熵预算越小、水印越强，依然会带来一定程度的多样性下降，只是相比老方案可控很多。
- 密钥一旦泄露，攻击者就可以针对性构造规避水印的文本。
- 只针对文本，不解决图片、音频、视频这类多模态内容的溯源标记。
落地选型与测试步骤
- 明确业务目标：优先确认是满足监管合规，还是用于内部溯源、防抄袭，确定可接受的熵损失预算。
- 在小流量 API 上开启水印，对比相同提示词下，开启前后文本重复度、多样性、语义质量变化。
- 做鲁棒性测试：对文本进行转述、扩写、精简、翻译，观察水印检测置信度衰减情况。
- 配套流程建设：水印判定结果只作为证据线索，人工复核作为最终结论，避免误判。
- 持续跟进版本迭代：团队计划逐步开源算法，后续可以自主复现、做私有化推理适配。
小结
textGrain 的核心贡献，是把 “水印强度” 和 “生成多样性” 从非此即彼的取舍，变成可以量化配置的技术开关；依托最优传输与熵校准，它把传统水印最大的痛点缓解了，既能拿到稳定可检测的隐形信号，又不会让大模型写出来的内容千篇一律；在智源 TALK 的分享里，研究团队也反复强调，它不是万能的防伪锁，而是一条可审计、可追溯的辅助证据链路，要和人工审核、内容治理流程搭配使用。
【常见问题】
问题 1：智源 TALK 分享的 OpenAI 与宾大联合研究 textGrain，是怎么平衡 AI 文本水印和生成多样性？
回答 1：智源 TALK 分享的 textGrain 通过最优传输理论搭配熵预算机制，在解码采样阶段对 token 分布做可控耦合，预先限定允许损失的采样熵上限，在嵌入水印信号的同时，避免模型输出快速趋同，以此平衡 AI 文本水印可检测性和生成多样性。
问题 2：textGrain 作为熵校准文本水印，需要重新训练大模型才能接入吗？
回答 2：不需要，textGrain 属于解码侧的采样水印，不需要改动、重新训练模型权重，只在 token 采样环节介入，更容易接入 OpenAI API 和现有推理链路，也是它可以快速上线商用的重要原因。
问题 3：使用 textGrain 嵌入 AI 文本水印之后，用户改写转述还能检测出来吗？
回答 3：轻度改写、局部替换词汇时，textGrain 的水印保留能力优于很多传统方案；但如果是大范围重写、翻译、大规模增删，textGrain 的 AI 文本水印信号依然会衰减，无法做到完全抗篡改。
问题 4：智源 TALK 介绍的 textGrain 文本水印，现在哪些场景已经正式启用？
回答 4：智源 TALK 介绍的 textGrain 文本水印，欧盟地区 ChatGPT、Codex 默认启用；全球 OpenAI API 由企业开发者自主开关；水印检测器不面向普通用户开放，仅对审核通过的科研、合规机构开放申请。
【参考资料】
[2026-11-11]（智源 TALK｜OpenAI 联合研究 textGrain：破解 AI 文本水印与生成多样性的平衡难题，宾夕法尼亚大学）智源社区
[2026-10-20]（当 AI 输出的文本，开始自带 “水印”）新浪科技
[2026-10-06]（OpenAI 宣布正式启用文本水印，并公布技术方案）安全内参
[2026-10-05]（textGrain: Entropy-Calibrated Watermarking for Language Model Text）arXiv
[2026-10-05]（OpenAI 落地欧盟 AI 合规要求，ChatGPT 生成文本全面植入隐形水印）环球网科技
【免责声明】
本文整理的 textGrain、智源 TALK 相关内容来自论文、OpenAI 官方公告、智源社区公开分享；水印检测效果、抗编辑能力受改写程度、熵预算参数影响；textGrain 的判定结果仅作为溯源辅助线索，不能单独作为作弊、侵权的判定依据；检测器开放策略、开源计划、产品覆盖范围后续可能调整，商用落地请以 OpenAI 官方文档、监管最新要求为准。