Claudeのテキスト透かし、トークンサンプリングに埋め込む仕組みを解説

発表の概要

Anthropicは2026年8月14日、自社のClaudeモデルが生成するテキストに透かし（ウォーターマーク）を導入すると発表した。目的は、AI生成テキストを特定できるようにすることだ。例えば、Claude Opus 4.8が生成した文章かどうかを、Anthropic側で判別できる。

透かしはユーザーからは見えない。通常のテキストと見分けがつかず、Anthropicだけが検出できる仕組みだ。発表当初の記事は概念的な説明が中心で、具体的な実装方法はあまり詳しく書かれていなかった。

LLMのトークン生成の基本

LLMがテキストを生成する際は、入力文をトークンIDに変換し、モデルが各トークンのスコア（ロジット）を出力する。このスコア分布から次トークンを選ぶ。常に最高スコアを選ぶ方法はグリーディー復号と呼ばれるが、多くのLLMは多様な出力を得るため確率的なサンプリングを使う。

サンプリングでは、ロジットを確率分布に変換し、その確率に応じてトークンを選ぶ。これにより毎回同じ出力になることを防ぎつつ、ランダムすぎる回答も避けられる。LLMの語彙数は25万トークンほどあり、分布は広い。

サンプリングへの透かしの組み込み

透かしは、このサンプリング処理に組み込まれる。Anthropicの説明では、既存のテキスト生成プロセスに対する「軽微な変更」であり、大きなコスト増はないとされる。具体的には、トークンの選択確率に秘密のパターンを埋め込むことで、後からそのパターンを検出できるようにする。

この方法は、LLMの内部構造をそのまま利用するため、追加のモデルや複雑な処理は不要だ。透かしの恩恵は、AI生成テキストの識別が容易になることだが、一方で透かしが除去される可能性や、テキスト品質への影響も議論されている。