Sentient Foundation ha presentado una nueva clasificación de técnicas de huellas digitales, diseñada para evaluar con qué fiabilidad se puede rastrear el origen de los modelos de IA, tras una investigación que demostró que atacantes sofisticados podrían eludir casi todas las técnicas de huellas digitales existentes, incluida la suya.
A medida que los modelos de inteligencia artificial adquieren cada vez más valor, demostrar quién los desarrolló originalmente se está convirtiendo en un desafío importante. Los modelos se pueden copiar, ajustar o destilar para crear nuevas versiones, lo que a menudo deja a sus desarrolladores originales con pocas formas de demostrar su propiedad.
Sentient Foundation busca abordar este problema con el lanzamiento de su Tabla de clasificación de huellas digitales, un referente abierto diseñado para evaluar técnicas que incorporan firmas identificables en modelos de IA.
La iniciativa se basa en una investigación de Sentient Labs que reveló vulnerabilidades en diez esquemas de huellas digitales propuestos. Los investigadores descubrieron que casi todos podían sortearse mediante ataques adaptativos sin que los modelos perdieran su utilidad.
En lugar de centrarse exclusivamente en desarrollar su propia tecnología de huellas digitales, Sentient ahora abre el proceso de evaluación a la comunidad de investigación en general.
Cómo funciona la identificación mediante huellas digitales de IA
La identificación mediante huellas digitales de IA está diseñada para aportar pruebas de la identidad u origen de un modelo sin depender por completo de registros externos, metadatos o acceso a su infraestructura subyacente.
Algunos métodos incorporan firmas de comportamiento ocultas durante el entrenamiento. Más adelante, estas firmas pueden comprobarse mediante instrucciones específicas, lo que permite a los desarrolladores investigar si otro modelo contiene rastros de su trabajo original.
Es importante destacar que esta verificación puede realizarse mediante el acceso a la API de un modelo sospechoso de ser derivado, sin necesidad de acceder directamente a sus pesos internos.
«Los modelos de IA se están convirtiendo en algunas de las propiedades intelectuales más valiosas del mundo; sin embargo, una vez que se copia o destila un modelo, demostrar su propiedad se vuelve increíblemente difícil», afirmó Sachi Kamiya, directora de Venture and Growth de Sentient Foundation.
«La huella digital incorpora la prueba en el modelo. Puede pensarse como el equivalente en IA de las marcas ocultas que usaban los pintores del Renacimiento para establecer la autoría».
Este enfoque podría cobrar especial relevancia a medida que se expanda el desarrollo de IA de código abierto y los modelos se modifiquen y redistribuyan cada vez más.
Los investigadores incorporaron más de 24.000 huellas digitales en un solo modelo
Sentient Labs ya ha demostrado cómo las técnicas de huellas digitales pueden funcionar a gran escala.
Su método Perinucleus, presentado en NeurIPS 2025, logró incorporar 24.576 huellas digitales en Llama-3.1-8B con una degradación mínima del rendimiento del modelo.
Muchas de esas huellas digitales también sobrevivieron a ajustes finos posteriores, lo que sugiere que la información identificativa puede seguir siendo detectable incluso después de que un modelo recibe entrenamiento adicional.
Sin embargo, la capacidad de incorporar miles de huellas digitales no significa necesariamente que puedan resistir intentos deliberados de eliminarlas.
Una investigación presentada en SaTML 2026 reveló que incluso las técnicas capaces de resistir modificaciones habituales de los modelos pueden seguir siendo vulnerables a atacantes que intentan específicamente eliminar o eludir sus firmas.
Uno de los métodos afectados fue el propio enfoque Perinucleus de Sentient.
Los hallazgos ponen de relieve un desafío central para las huellas digitales de IA: demostrar que una firma existe es muy distinto de probar que sigue siendo fiable cuando un adversario intenta activamente neutralizarla.
Un referente público para poner a prueba las afirmaciones sobre huellas digitales
La recién lanzada Tabla de clasificación de huellas digitales busca ofrecer un entorno estandarizado para comparar distintos enfoques.
La versión inicial se centra en evaluar la eficacia con la que los métodos de huellas digitales pueden incorporar firmas identificables sin afectar el rendimiento del modelo subyacente.
Una versión futura ampliará estas evaluaciones para incluir la resistencia a ataques adversariales y medir si las huellas digitales siguen siendo detectables después de intentos deliberados por eliminarlas o eludirlas.
Esta distinción es importante porque una técnica que funciona bien en condiciones controladas no necesariamente aporta pruebas fiables del origen en entornos más hostiles.
Junto con la tabla de clasificación, Sentient publica mlprints, una biblioteca de código abierto que reúne técnicas de huellas digitales y métodos de ataque en un marco de evaluación común.
La biblioteca permite a los investigadores reproducir experimentos existentes, implementar esquemas alternativos de huellas digitales y desarrollar nuevos ataques en condiciones de prueba comparables.
Al poner estas herramientas a disposición del público, Sentient pretende establecer un proceso más transparente para evaluar las afirmaciones sobre la procedencia de los modelos de IA.
Por qué importa la propiedad de los modelos para la IA de código abierto
La iniciativa también aborda una tensión más amplia en la inteligencia artificial de código abierto.
Los desarrolladores que publican abiertamente los pesos de sus modelos permiten que otras personas construyan sobre su trabajo, pero esto puede dificultar el seguimiento de cómo esos modelos se copian, modifican o incorporan posteriormente a otros sistemas.
Mantener los modelos cerrados ofrece un mayor control sobre su distribución, pero limita la accesibilidad y el desarrollo colaborativo asociados con la IA de código abierto.
Las huellas digitales podrían ofrecer una alternativa que permita a los desarrolladores compartir sus modelos y, al mismo tiempo, conservar un mecanismo para establecer su origen.
Estas capacidades podrían, con el tiempo, respaldar la atribución, la aplicación de licencias y acuerdos económicos vinculados a una procedencia verificable del modelo.
Sin embargo, la investigación también demuestra que la creación de huellas digitales fiables sigue siendo un desafío técnico sin resolver.
El objetivo a largo plazo de Sentient es desarrollar firmas tan estrechamente vinculadas a las capacidades de un modelo que eliminarlas también perjudique su utilidad.
Por ahora, la Tabla de clasificación de huellas digitales representa un esfuerzo por determinar qué técnicas existentes pueden aportar pruebas significativas del origen y cuáles siguen siendo vulnerables a la manipulación.
Con el referente inicial ya disponible y pruebas adversariales previstas para una futura versión, el proyecto podría proporcionar a los investigadores un marco común para evaluar uno de los desafíos emergentes en la protección de la propiedad intelectual de la IA.
Hay más información sobre la iniciativa en fingerprint.sentient.foundation.
Aviso legal: Este artículo se proporciona únicamente con fines informativos. No se ofrece ni pretende utilizarse como asesoramiento legal, fiscal, de inversión, financiero ni de otro tipo.