Cơ chế watermarking văn bản của Claude hoạt động thế nào
Tìm hiểu cách Anthropic dùng bias để đánh dấu token đầu ra của Claude từ tháng 8/2026. Giải thích lý do tại sao kết quả kiểm tra thống kê không thể khẳng định nội dung do AI tạo.
Claude watermark văn bản là gì
Watermark văn bản của Claude là một độ lệch được áp dụng khi model chọn từ. Đây không phải là tag gắn vào file và cũng không phải một chuỗi ký tự Unicode vô hình có thể xóa bằng regular expression. Anthropic mô tả cơ chế này trong How Claude's text watermarking works, đăng ngày 14 August 2026 và cập nhật ngày 1 September 2026: cơ chế này “chỉ thay đổi nguồn randomness được dùng để chọn giữa các từ”, bằng cách sử dụng secret key cùng một vài từ đứng trước đó. Vì watermark nằm trong chính các từ được chọn, nó vẫn tồn tại sau khi copy và paste, nhưng mất đi khi các từ bị thay đổi.
Có 2 hệ quả, và đây là lý do nhiều người tìm hiểu chủ đề này. Detection là một phép kiểm tra thống kê cần rất nhiều từ mới có ý nghĩa, nên không thể đưa ra kết luận hữu ích cho một câu đơn lẻ. Kết quả âm tính cũng không chứng minh được gì: help centre của Anthropic nêu rõ rằng “không phát hiện thấy watermark không có nghĩa là nội dung đó không được tạo hoặc xử lý bằng AI”.
Trang trợ giúp How Claude marks AI-generated content, được xem vào ngày 11 October 2026, liệt kê các nền tảng được áp dụng: “Claude Platform (API), Claude, Claude Code, Claude Cowork và Claude Tag”, bao gồm cả quyền truy cập qua AWS, Google Cloud và Microsoft Foundry. Các model ra mắt từ ngày 2 August 2026 trở đi hỗ trợ marking dạng machine-readable ngay khi phát hành. Các model cũ hơn nằm trong giai đoạn chuyển tiếp để Anthropic bổ sung marking; hiện trang này có bảng theo từng model. Mốc thời gian đó không phải ngẫu nhiên. Article 50 của EU AI Act bắt đầu áp dụng từ ngày 2 August 2026 và yêu cầu nhà cung cấp các system tạo text tổng hợp phải đánh dấu output “ở định dạng machine-readable và có thể phát hiện là được tạo hoặc thao túng nhân tạo”. Digital Omnibus on AI, Regulation (EU) 2026/1744, cho phép các nhà cung cấp có system đã được đưa ra thị trường trước ngày 2 August 2026 đến ngày 2 December 2026 để tuân thủ nghĩa vụ marking này. Anthropic cho biết họ áp dụng marking trên toàn thế giới, không chỉ với network traffic từ EU.
File hoạt động theo cách khác. Trang trợ giúp cho biết Claude gắn metadata provenance có chữ ký, được gọi là Content Credential và tuân theo standard C2PA (Coalition for Content Provenance and Authenticity), vào các loại file được hỗ trợ “chẳng hạn như PNG hoặc JPEG”. Đây là metadata được gắn bên cạnh nội dung file, không phải thay đổi nội dung file. Vì vậy, metadata này rất dễ bị loại bỏ.
Cách watermark làm lệch lựa chọn token
Ở mỗi bước, language model tạo ra một xác suất cho mọi token (token là một từ hoặc một phần của từ) mà nó có thể viết tiếp theo. Sampler chọn một token, và thông thường tính ngẫu nhiên cho lựa chọn đó đến từ một nguồn số ngẫu nhiên thông thường. Sampler có watermark thay nguồn đó bằng một hàm giả ngẫu nhiên có key. Đầu vào của hàm là secret key và vài token gần nhất, nên lựa chọn có thể được tái tạo bởi bất kỳ ai có key, nhưng với những người khác thì trông giống biến thiên thông thường.
Phiên bản công khai đầu tiên được trích dẫn rộng rãi là A Watermark for Large Language Models (Kirchenbauer và cộng sự, ICML 2023). Trước mỗi token, key và các token đứng trước dùng để chọn một tập con giả ngẫu nhiên "green" trong vocabulary, rồi sampler cộng một bonus nhỏ vào score của các token đó. Không token nào bị cấm, nên văn bản vẫn trôi chảy, nhưng green token xuất hiện thường xuyên hơn một chút so với mức ngẫu nhiên cho phép.
Bài viết của Anthropic cho biết implementation của họ dựa trên SynthID-Text, được Google DeepMind công bố trên Nature vào tháng 10 năm 2024 với tiêu đề Scalable watermarking for identifying large language model outputs, và nhóm ý tưởng này bắt nguồn từ một đề xuất năm 2022 của Scott Aaronson. SynthID-Text lấy một số token ứng viên từ chính distribution của model rồi tổ chức một knockout tournament giữa các token đó, chấm điểm bằng hàm có key, để token còn lại có xu hướng là token được key ưu tiên. Các ứng viên đến từ chính distribution của model. Đây là lý do đánh giá được công bố không ghi nhận suy giảm chất lượng đo được.
Hệ quả quan trọng nằm ở entropy. Độ lệch chỉ có thể tác động khi model thực sự có nhiều lựa chọn. Nếu token tiếp theo đúng duy nhất là Paris, không scheme nào có thể thay đổi nó mà không làm văn bản sai. Anthropic nêu rõ điều này: watermarking "thưa hơn trong các đoạn có thông tin thực tế, nơi có ít lựa chọn hơn mà vẫn không làm giảm độ chính xác của văn bản", còn code "thường có watermarking ít hơn một số dạng văn bản khác" vì code thường phải chính xác tuyệt đối. Mật độ tín hiệu phản ánh mức độ tự do của model. Vì vậy, một đoạn văn mở dài sẽ mang dấu rõ, trong khi một câu trả lời thực tế ngắn có thể gần như không có dấu.
Có một giới hạn cần nói rõ đối với toàn bộ nội dung trên. Tính đến ngày 11 tháng 10 năm 2026, Anthropic đã công bố nhóm phương pháp mà scheme của họ thuộc về, nhưng chưa công bố các parameter hoặc threshold của detector. Cơ chế trong phần này lấy từ các paper được trích dẫn. Hãy xem đó là design đã được công bố mà Anthropic nêu tên, không phải mô tả về cấu hình chính xác của Claude.
Vì sao detection là một phép kiểm định giả thuyết, không phải một dấu xác nhận
Detector nhận văn bản và key. Nó quét văn bản, tính lại token mà key đó sẽ ưu tiên tại từng vị trí, chấm điểm từng token rồi cộng tổng điểm. Giả thuyết không là văn bản được viết mà không dùng sampler có key; khi đó các điểm số hoạt động giống tung đồng xu và tổng điểm nằm gần giá trị kỳ vọng. Văn bản có watermark sẽ lệch lên trên mức này. Kết quả là p-value, tức xác suất xuất hiện tổng điểm cao đến mức đó trong văn bản không có watermark. Verdict “detected” là kết quả so sánh p-value đó với một threshold do ai đó chọn.
Thiết kế này tạo ra 2 tác động mà bạn sẽ thấy trong thực tế. Độ tin cậy tăng theo độ dài, vì mỗi token bổ sung là thêm một mảnh bằng chứng yếu. Anthropic diễn đạt như sau: “Việc phát hiện watermark cũng không hiệu quả trên các mẫu nhỏ, vì có ít lựa chọn từ hơn và do đó có ít thông tin hơn để phân tích.” Threshold cũng là một sự đánh đổi. Nếu đặt đủ thấp để flag một đoạn văn, bạn sẽ bắt đầu flag các đoạn văn do người viết một cách ngẫu nhiên.
Hầu hết người đọc vẫn không thể tự chạy phép kiểm định này. Trong bài đăng được cập nhật ngày 1 September 2026, Anthropic viết: “Chúng tôi đang phát hành detection API dưới dạng private preview.” API này dành cho các tổ chức đủ điều kiện “theo yêu cầu của luật EU”, chẳng hạn cơ quan quản lý, cơ quan thực thi pháp luật, cơ quan truyền thông, tổ chức fact-checking, nhà nghiên cứu độc lập, tổ chức giáo dục và các nhóm xã hội dân sự tại EU; đồng thời dành cho các doanh nghiệp “có nghĩa vụ tương tự trong việc xác minh watermarking” để tự tuân thủ Act. Anthropic cho biết họ dự định “mở rộng quyền truy cập detection API theo thời gian”, và cả 2 trang đều liên kết đến một form để đăng ký quan tâm. Vì vậy, tính đến ngày 11 October 2026, chưa có text detector công khai: bên ngoài các tổ chức đó, không ai có thể xác nhận hoặc bác bỏ tuyên bố rằng một đoạn văn cụ thể có chứa dấu này. File có một cách kiểm tra riêng mà bất kỳ ai cũng có thể dùng. Claude Content Checker miễn phí kiểm tra file được upload để tìm Claude Content Credential, và công cụ này nêu rõ rằng nó “không kiểm tra văn bản”.
Khoảng trống đó quan trọng vì nó liên quan đến công cụ mà mọi người thường dùng thay thế. Các “AI detector” thương mại được bán cho trường học và biên tập viên là các classifier được train theo phong cách viết. Chúng không có key và không thực hiện phép kiểm định kiểu này. Failure mode của chúng đã được ghi nhận: GPT detector thiên lệch chống lại người viết tiếng Anh không phải bản ngữ (Liang et al., Patterns, 2023) cho thấy các detector được sử dụng rộng rãi đã flag hơn một nửa số bài luận TOEFL của nhóm người viết không phải bản ngữ là do AI tạo ra, trong khi phân loại đúng các mẫu của người viết bản ngữ. Watermark detector và style classifier là 2 loại máy khác nhau. Đừng để ai đưa cho bạn loại thứ hai nhưng gọi nó là loại thứ nhất.
Điều gì loại bỏ watermark
Đầu ra ngắn. Một câu trả lời chỉ có một dòng chứa quá ít quyết định để làm thay đổi thống kê. Không có cách sửa lỗi nào, vì đây là thuộc tính của bài kiểm tra chứ không phải lỗ hổng trong quá trình triển khai.
Viết lại. Anthropic cho biết việc chỉnh sửa nhẹ có thể vẫn để lại dấu vết, trong khi "viết lại hoàn toàn với mọi từ ngữ được thay thế" sẽ loại bỏ nó. Mỗi từ bạn thay thế là một từ mà key không còn có thể giải thích được nữa.
Diễn giải qua một model khác. Một model thứ hai sẽ chọn lại mọi token bằng bộ lấy mẫu (sampler) của riêng nó và không có key, vì vậy kết quả sẽ mang dấu vết của model đó (nếu có), chứ không phải của Claude.
Dịch thuật, với một ngoại lệ. Chạy văn bản tiếng Anh của Claude qua một trình dịch khác sẽ phá hủy tín hiệu, vì bộ lấy mẫu mới sẽ chọn từng từ mục tiêu. Anthropic lưu ý trường hợp ngược lại: "Bản dịch do Claude tạo ra sẽ mang watermark, vì trong trường hợp này mọi từ ngữ đều do Claude lựa chọn."
Mã nguồn, phần lớn là vậy. Mã nguồn đúng có rất ít lựa chọn thay thế cho nhau. TechCrunch đưa tin vào ngày 15 tháng 8 năm 2026 rằng Anthropic dự đoán "ảnh hưởng không đáng kể đến mã nguồn thực tế được tạo ra", với các dấu vết có khả năng xuất hiện trong phần comment nhiều hơn. Đó là bản tin báo chí về tuyên bố của công ty chứ không phải tài liệu chính thức, vì vậy hãy coi chi tiết về phần comment là chưa được xác nhận. Comment và tên định danh (identifier) là những phần của bản vá có khả năng thay đổi thực sự.
Loại bỏ metadata, đối với tệp tin. Nguồn gốc C2PA nằm bên cạnh dữ liệu hình ảnh, vì vậy bất kỳ thao tác nào mã hóa lại tệp tin thường sẽ loại bỏ nó trừ khi được yêu cầu giữ lại. Điều này bao gồm cả trình tối ưu hóa hình ảnh trong quá trình build trang web tĩnh thông thường. Trang trợ giúp của Anthropic liệt kê việc loại bỏ metadata là một trong những lý do khiến watermark bị mất.
Điều một dấu được phát hiện thực sự chứng minh
Ít hơn những gì từ "watermark" gợi ý. Bài viết của Anthropic nêu rõ: "Watermark chỉ có thể xác định rằng Claude có khả năng đã tham gia vào quá trình tạo nội dung tại một thời điểm nào đó. Nó không thể phân biệt giữa 'Claude đã viết nội dung này' và 'Claude đã chỉnh sửa đáng kể nội dung này'." Trang trợ giúp bổ sung rằng "Claude có thể không phải là tác giả ban đầu", vì người dùng có thể dùng Claude để chỉnh sửa nội dung do chính họ viết, và nội dung đó có thể đã thay đổi sau khi Claude xử lý.
Không có tài liệu nào Anthropic đã công bố mô tả một tín hiệu riêng theo account hoặc user. Theo tài liệu hiện có, dấu này chỉ cho biết một model của Claude đã tham gia vào quá trình tạo nội dung. Nếu ai đó nói watermark cho biết user nào hoặc API key nào đã tạo ra một đoạn văn, tuyên bố đó không xuất hiện trong các nguồn chính tính đến ngày 11 October 2026.
Điều này có thay đổi việc publish code có AI hỗ trợ từ server của bạn không?
Với code, câu trả lời về mặt kỹ thuật hầu như là không, vì 2 lý do đã nêu: tín hiệu trong code chính xác rất yếu, còn việc phát hiện văn bản chỉ được cung cấp trong private preview cho các tổ chức đủ điều kiện. Điều quyết định bạn có được phép publish hay không là policy, và policy không thay đổi. Các dự án open source đã tự xây dựng quy định cho đóng góp có AI hỗ trợ, và maintainer thực thi các quy định đó bằng cách đọc pull request của bạn, không phải bằng detector đọc các token của bạn.
Với phần prose do server tạo ra, câu trả lời là có, theo một cách cụ thể. Nếu một API call ghi release notes hoặc các trang sản phẩm của bạn, phần chữ là của Claude, nên dấu hiệu nằm trong đó. Render markdown thành HTML, minify, lưu kết quả vào Postgres và phân phối từ CDN đều không thay đổi phần chữ, nên không thao tác nào trong số đó làm thay đổi dấu hiệu. Thứ làm dấu hiệu suy giảm là biên tập viên con người viết lại các câu.
Bạn không thể dùng prompt để loại bỏ watermark. Watermark được áp dụng tại sampling layer, bên dưới phần văn bản model tạo ra, nên một instruction như “không watermark nội dung này” không có gì để tác động. Đây là tình huống khác với những lý do thông thường khiến agent bỏ qua instruction bạn viết, trong đó instruction đã đến model nhưng bị một yếu tố khác ghi đè. Tính đến 11 October 2026, chưa có opt-out được công bố cho khách hàng API.
Nếu bạn dùng Claude để vận hành server thay vì để Claude viết nội dung cho bạn, điều này hầu như không thay đổi gì. Shell command và config snippet thường ngắn và bị giới hạn, nên gần như không chứa tín hiệu, còn việc đánh dấu không ảnh hưởng đến những gì chạy trên máy của bạn. Công việc sysadmin hằng ngày với Claude đặt ra một câu hỏi khác: thứ gì rời khỏi máy của bạn ngay từ đầu? Hãy xem coding agent thực sự gửi gì ra khỏi server của bạn.
Nội dung cần công khai
Công khai là vấn đề về quy định, không phải vấn đề phát hiện. Watermark không tạo ra nghĩa vụ công khai, và cũng không thay thế nghĩa vụ đó. Hãy xác định quy định nào ràng buộc bạn, rồi tuân thủ quy định đó bất kể có cách nào phát hiện được hay không.
EU AI Act chia việc này thành 2 phần. Điều 50(2) đặt nghĩa vụ đánh dấu lên provider, tức Anthropic, và rollout này đáp ứng nghĩa vụ đó. Điều 50(4) đặt nghĩa vụ lên deployer: bất kỳ ai đăng nội dung do AI tạo ra "để thông tin cho công chúng về các vấn đề công chúng quan tâm" đều phải công khai rằng nội dung đó được tạo nhân tạo. Quy định này có một ngoại lệ áp dụng cho phần lớn các nhóm xuất bản: "nội dung do AI tạo ra đã trải qua quy trình human review hoặc editorial control, đồng thời một cá nhân hoặc pháp nhân chịu trách nhiệm biên tập về ấn phẩm". Cả 2 quy định đều áp dụng từ 2 August 2026; riêng nghĩa vụ đánh dấu được lùi đến 2 December 2026 đối với các system đã có mặt trên thị trường trước ngày đó. Một bài viết đã được review và có editor được nêu tên chịu trách nhiệm được xử lý khác với một feed tự đăng mà không có ai đọc. Đây là cách diễn giải nội dung của regulation, không phải tư vấn pháp lý.
Các quy định khác có thể yêu cầu nhiều hơn luật. Hợp đồng lao động, thỏa thuận với client, contributing guide của project mà bạn gửi patch, và policy của publisher mà bạn viết bài cho đều có thể yêu cầu thêm. Đây cũng là những quy định mà trên thực tế sẽ có người kiểm tra.
Khi công khai, hãy nói rõ model đã làm gì và bạn đã verify những gì. "Bản nháp được viết bằng Claude, mọi command đều được chạy trên một bản cài Ubuntu 24.04 sạch trước khi publish" cung cấp thông tin thực tế cho người đọc kỹ thuật. Một badge chung chung như "đã sử dụng AI" thì không, vì phần model không thể làm thay bạn là việc kiểm tra.
Và đừng dùng kết quả watermark để buộc tội ai đó. Kết quả dương tính chỉ cho biết một model Claude đã được sử dụng ở đâu đó, kể cả khi nó chỉ làm editor cho bài viết do chính người khác viết. Kết quả âm tính hoàn toàn không cho biết điều gì.
FAQ
Tôi có thể tắt watermark văn bản của Claude không?
Tính đến ngày 11 tháng 10 năm 2026, chưa có cơ chế opt-out nào được công bố. Trang trợ giúp của Anthropic mô tả việc đánh dấu trên Claude, Claude Platform (API), Claude Code, Claude Cowork và Claude Tag, bao gồm cả quyền truy cập qua AWS, Google Cloud và Microsoft Foundry, nhưng không nêu setting nào để tắt. Yêu cầu model không thêm watermark vào câu trả lời cũng không có tác dụng, vì dấu này được sampler dùng để chọn token áp dụng, chứ không phải do model làm theo instruction của bạn.
Watermark có xuất hiện trong code do Claude viết không?
Hầu như không đáng kể. Watermark hoạt động bằng cách chọn giữa các phương án đều có thể chấp nhận được, trong khi code đúng thường không có nhiều phương án. Anthropic cho biết code “thường có ít watermark hơn một số dạng văn bản khác” vì code thường phải chính xác. TechCrunch đưa tin vào ngày 15 tháng 8 năm 2026 rằng Anthropic kỳ vọng ảnh hưởng lên chính code sẽ không đáng kể, còn watermark có khả năng xuất hiện nhiều hơn trong comment. Đây là thông tin báo chí trích dẫn một phát biểu, không phải tài liệu đã được công bố. Những phần của patch có nhiều chỗ để thay đổi là comment và tên identifier.
Nếu detector không tìm thấy watermark thì có chứng minh được văn bản do người viết không?
Không. Đây là sai lầm phổ biến nhất khi mọi người sử dụng watermark. Trang của chính Anthropic nêu rằng “không phát hiện được dấu không có nghĩa là nội dung không được AI tạo ra hoặc xử lý”. Văn bản có thể quá ngắn để kiểm tra, đã được chỉnh sửa hoặc paraphrase, đến từ một model được release trước khi tính năng đánh dấu được triển khai, hoặc hoàn toàn đến từ vendor khác. Phép kiểm tra này chỉ có một chiều: nó có thể làm tăng mức độ tin cậy rằng Claude đã được sử dụng, nhưng không bao giờ chứng minh được Claude không được sử dụng.
Paraphrase hoặc dịch có xóa watermark không?
Paraphrase bằng model khác sẽ xóa watermark, vì model đó chọn lại từng từ bằng sampler riêng và không có key. Dịch bằng tool bên ngoài cũng xóa watermark vì cùng lý do. Trường hợp ngược lại là ngoại lệ: Anthropic cho biết “bản dịch do Claude tạo ra có watermark, vì trong trường hợp này mọi từ đều do Claude chọn”. Vì vậy, dịch bài viết của bạn bằng Claude sẽ thêm một dấu vốn trước đó không tồn tại.
Tôi có thể tự kiểm tra watermark của Claude trong một tài liệu không?
Đối với văn bản, chỉ có thể nếu tổ chức của bạn đáp ứng điều kiện. Việc phát hiện cần key, nên không thể thực hiện bằng cách đọc văn bản hoặc dùng một offline tool. Detection API của Anthropic đang ở private preview cho các tổ chức đủ điều kiện theo luật EU và các enterprise có nghĩa vụ riêng phải xác minh watermarking. Anthropic dự kiến sẽ mở rộng quyền truy cập, nên tính đến ngày 11 tháng 10 năm 2026 vẫn chưa có detector văn bản công khai. File thì khác: Claude Content Checker miễn phí kiểm tra file được upload để tìm Claude Content Credential, nhưng không kiểm tra văn bản. Mọi third-party tool được bán dưới dạng Claude text detector đều không có key, nên thực chất đó là style classifier, một cơ chế khác có vấn đề false positive đã được ghi nhận khi xử lý văn bản của những người không có English là ngôn ngữ mẹ đẻ (Liang et al., Patterns, 2023).