Metaが、大規模モデルの蒸留に関する論文を発表した。焦点は生成性能ではなく、「蒸留されたモデルをどう識別するか」だ。彼らが提案したWM-Basinはブラックボックス検出手法で、想定する状況は非常に具体的だ。誰かがAPI経由でウォーターマーク入りの教師モデルを大量に呼び出し、その出力を使って学生モデルを訓練する。論文の結果は、わずかな改善とは言えない。

偽陽性率が0.1%のとき、WM-Basinの真陽性率は79%だった。同じ条件下で、従来のトークン単位の検出手法は29%だった。資料によると、検出のしきい値をより厳しくし、n-gramのウィンドウを大きくすると、両者の差はさらに広がる。

これは暗号資産市場を直接動かす材料ではないが、AIインフラ、モデルの安全性、知的財産の境界とはつながっている。以前は「モデルを盗むなら重みを盗む」とよく言われていたが、今では「何度も問い合わせてから蒸留する」という手口のほうが現実的だ。ブラックボックスによる識別が本当に成熟すれば、今後、APIプラットフォームがどうルールを定め、どう責任を追及し、モデルの出所をどう証明するかは、いずれもより慎重な対応が求められるようになる。

市場の観点では、これを短期的な材料と見るのはまだ早い。むしろ、AIセキュリティのエコシステムの中で、時間をかけて影響が表れてくる要因と捉えるほうがよい。