AI पाठ पर वॉटरमार्क मिला? 846 परीक्षण बताते हैं, इसे सबूत न मानें

सीधा उत्तर: AI पाठ में वॉटरमार्क मिलना जाँच का उपयोगी संकेत हो सकता है, लेकिन शिक्षा, रोजगार या कानूनी निर्णय में इसे अकेले लेखकत्व अथवा धोखाधड़ी का प्रमाण नहीं मानना चाहिए। संसूचक केवल यह बताता है कि पाठ में किसी खास वॉटरमार्क प्रणाली से मेल खाने वाला सांख्यिकीय ढाँचा मिला; वह यह सिद्ध नहीं करता कि किस व्यक्ति ने पाठ बनाया या किसी नियम का उल्लंघन किया।

846 वैध पुनर्लेखन परीक्षणों वाले 2026 के पूर्वप्रकाशन में जाँचे गए तीन विन्यास अर्थ-सुरक्षित पुनर्लेखन के सामने बहुत कमजोर निकले। यह परिणाम सभी वॉटरमार्क प्रणालियों की सार्वभौमिक त्रुटि-दर नहीं है, पर इससे व्यावहारिक सीमा स्पष्ट होती है: “निशान मिला”, “निशान नहीं मिला” और “लेखकत्व सिद्ध हुआ” तीन अलग निष्कर्ष हैं।

पाठ का वॉटरमार्क वास्तव में क्या पहचानता है

पाठ वॉटरमार्क कोई दिखाई देने वाली मुहर या फ़ाइल में जुड़ा स्थायी टैग नहीं होता। भाषा मॉडल अगला टोकन चुनते समय संभावित विकल्पों की प्रायिकता में नियंत्रित बदलाव करता है; पर्याप्त पाठ मिलने पर संबंधित संसूचक उस सांख्यिकीय झुकाव को खोजता है। Google DeepMind का SynthID विवरण Gemini के पाठ में इसी प्रायिकता-आधारित प्रक्रिया को समझाता है।

सकारात्मक परिणाम का संकीर्ण अर्थ यह है कि जाँचा गया पाठ उस संसूचक की कुंजी, नियम और सीमा-मान के अनुसार वॉटरमार्कयुक्त आउटपुट जैसा दिखता है। इससे उपयोगकर्ता की पहचान, खाते का स्वामित्व, निर्देश लिखने वाला व्यक्ति या दस्तावेज जमा करने वाला व्यक्ति तय नहीं होता। मानव संपादन और AI सहायता मिले-जुले हों तो पूरे दस्तावेज को केवल “AI-लिखित” कहना भी वास्तविक रचना-प्रक्रिया को छिपा सकता है।

846 परीक्षणों का नतीजा कितना व्यापक है

17 जुलाई 2026 को जमा पूर्वप्रकाशन ने KGW, Unigram और MarkLLM में लागू SynthID-Text को 15 विविध निर्देशों तथा अर्थ-सुरक्षित पुनर्लेखन के सामने परखा। कुल 846 वैध परीक्षणों में आरंभ में पहचाने गए KGW और Unigram पाठों के सभी निशान पुनर्लेखन के बाद गायब हो गए; MarkLLM वाले SynthID विन्यास में 59 में से 58, यानी 98.3%, पहचाने निशान हटे।

हमले से पहले 30 मूल नमूनों की छोटी आधाररेखा में गलत नकारात्मक दर KGW के लिए 70%, Unigram के लिए 83% और SynthID विन्यास के लिए 80% थी। SynthID विन्यास ने 184 पुनर्लिखित मानव नियंत्रणों में से 10 को वॉटरमार्कयुक्त बताया, जो 5.4% गलत सकारात्मक परिणाम है। ये संख्याएँ केवल परखे गए मॉडल, सीमा-मान, निर्देशों और कार्यान्वयनों पर लागू होती हैं; विशेष रूप से MarkLLM कार्यान्वयन को Google की मालिकाना उत्पादन प्रणाली का प्रत्यक्ष परीक्षण नहीं समझना चाहिए।

फिर भी परीक्षण शीर्षक के व्यावहारिक निष्कर्ष को सहारा देते हैं। जब किसी पहचाने गए संकेत को अर्थ बचाते हुए हटाया जा सकता है और मानव पाठ में भी संकेत उभर सकता है, तब अकेला संसूचक परिणाम किसी व्यक्ति के विरुद्ध निर्णायक प्रमाण का भार नहीं उठा सकता।

छोटा पाठ और दूसरे मॉडल का पुनर्लेखन

सांख्यिकीय पहचान के लिए पाठ की लंबाई और भाषा मॉडल के पास उपलब्ध सार्थक विकल्पों की संख्या महत्वपूर्ण हैं। छोटे उत्तर, शीर्षक या संदेश में नमूना कम होता है; अत्यधिक पूर्वानुमेय वाक्य में टोकन चुनने की गुंजाइश भी घटती है। इसलिए छोटे पाठ पर सकारात्मक और नकारात्मक, दोनों परिणामों की व्याख्या सावधानी से करनी पड़ती है।

NIST की नवंबर 2024 की तकनीकी समीक्षा के अनुसार, लगभग 225 शब्दों के छोटे पाठ पर बार-बार पुनर्लेखन पहचान दर को 20% तक घटा सकता है, जबकि 400 शब्दों से लंबे पाठ में अधिक पुनरावृत्ति संकेत को टिकने की जगह देती है। समीक्षा यह भी कहती है कि अलग, गैर-वॉटरमार्कयुक्त मॉडल से पुनर्लेखन अक्सर मामूली गुणवत्ता हानि के साथ पाठ वॉटरमार्क हटा सकता है।

इससे यह निष्कर्ष नहीं निकलता कि हर साधारण संपादन हर निशान मिटा देगा। योजना, पाठ की लंबाई, भाषा, मॉडल, तापमान, सीमा-मान और पुनर्लेखन की तीव्रता नतीजा बदलते हैं। किसी वास्तविक मामले में प्रासंगिक प्रश्न यह है कि ठीक उसी भाषा, लंबाई, संस्करण और संसूचक विन्यास पर ज्ञात त्रुटि-दर क्या है।

तीन परिणाम, तीन अलग फैसले

निशान मिला: पाठ में संबंधित प्रणाली का सांख्यिकीय संकेत पाया गया। इससे संभावित उत्पत्ति की आगे जाँच की जा सकती है, लेकिन गलत सकारात्मक परिणाम, संकेत की नकल, साझा दस्तावेज, अनुमत AI सहायता और बाद के संपादन को देखे बिना कदाचार तय नहीं होता।

निशान नहीं मिला: संसूचक अपनी निर्धारित सीमा पर संकेत नहीं खोज सका। Nature में प्रकाशित SynthID-Text शोध जनरेटिव वॉटरमार्क को पूर्ण AI-पाठ पहचान समाधान नहीं मानता; वह मॉडल संचालकों के सहयोग पर निर्भरता, विकेंद्रीकृत खुले मॉडलों में लागू कराने की कठिनाई और मॉडल से पुनर्लेखन के कारण संकेत कमजोर होने की सीमा बताता है। इसलिए नकारात्मक परिणाम मानव लेखन सिद्ध नहीं करता।

लेखकत्व सिद्ध हुआ: यह अलग प्रमाण-कार्य है। इसके लिए व्यक्ति, खाता या उपकरण; निर्माण का समय; मूल और बाद के संस्करण; मानव योगदान; तथा लागू नीति के बीच सत्यापित संबंध चाहिए। वॉटरमार्क इनमें से किसी संबंध को अपने-आप स्थापित नहीं करता।

उच्च प्रभाव वाले निर्णय में प्रमाण-भार

शिक्षक, नियोक्ता, संपादक या जाँच दल संसूचक परिणाम को प्रारंभिक संकेत मान सकते हैं। दंड, नियुक्ति से इनकार या कानूनी आरोप जैसे उच्च प्रभाव वाले निर्णय से पहले कम से कम ये प्रश्न अलग-अलग दर्ज होने चाहिए:

1. दावे की सीमा: क्या परिणाम केवल संकेत की उपस्थिति बताता है, या उसे किसी व्यक्ति, मॉडल और समय से जोड़ने वाला स्वतंत्र अभिलेख भी है?
2. पाठ का संस्करण: जाँच मूल आउटपुट पर हुई या अनुवादित, संक्षिप्त, संपादित अथवा दूसरे मॉडल से पुनर्लिखित प्रति पर?
3. नमूने की पर्याप्तता: कितने टोकन जाँचे गए और क्या संसूचक अनिश्चित परिणाम दे सकता था, या उसने हर पाठ को जबरन दो श्रेणियों में बाँटा?
4. प्रासंगिक त्रुटि-दर: उसी भाषा, पाठ-लंबाई, विषय और विन्यास पर गलत सकारात्मक तथा गलत नकारात्मक दर उपलब्ध है?
5. स्वतंत्र प्रमाण: मसौदे, संस्करण इतिहास, स्रोत-टिप्पणियाँ, कार्य-अभिलेख, खाता रिकॉर्ड और संबंधित व्यक्ति का स्पष्टीकरण क्या बताते हैं?
6. पुनरुत्पादन: संसूचक का नाम, संस्करण, सीमा-मान, जाँचा गया ठीक वही पाठ और परिणाम का समय सुरक्षित है?

वॉटरमार्क बड़े पाठ-संग्रह की छँटाई, प्रदाता-स्तरीय पारदर्शिता और आगे की जाँच में उपयोगी रह सकता है। उसकी सीमा यह है कि पहचान-संकेत को लेखकत्व, मौलिकता या धोखाधड़ी का पर्याय नहीं बनाया जा सकता; ऐसा निष्कर्ष स्वतंत्र, संदर्भ-संगत और पुनरुत्पाद्य प्रमाणों से ही मजबूत होगा।