A Sentient Foundation lançou um novo ranking de identificação por impressão digital, destinado a testar com que confiabilidade é possível rastrear modelos de IA até suas origens, após pesquisas mostrarem que quase todas as técnicas de identificação por impressão digital existentes, inclusive a própria, poderiam ser contornadas por invasores sofisticados.
À medida que os modelos de inteligência artificial se tornam cada vez mais valiosos, comprovar quem os desenvolveu originalmente está se tornando um desafio significativo. Os modelos podem ser copiados, ajustados ou destilados em novas versões, muitas vezes deixando seus desenvolvedores originais com poucas maneiras de comprovar a propriedade.
A Sentient Foundation procura resolver este problema com o lançamento do seu Fingerprinting Leaderboard, um benchmark aberto concebido para avaliar técnicas que incorporam assinaturas identificáveis em modelos de IA.
A iniciativa surge na sequência de uma investigação da Sentient Labs que revelou vulnerabilidades em dez propostas de esquemas de impressão digital. Os investigadores descobriram que quase todos podiam ser contornados através de ataques adaptativos, preservando ao mesmo tempo a utilidade dos modelos.
Em vez de se concentrar exclusivamente no desenvolvimento da sua própria tecnologia de impressão digital, a Sentient está agora a abrir o processo de avaliação a uma comunidade de investigação mais alargada.
Como funciona a impressão digital de IA
A impressão digital de IA foi concebida para fornecer provas da identidade ou origem de um modelo sem depender inteiramente de registos externos, metadados ou do acesso à infraestrutura subjacente do modelo.
Algumas abordagens incorporam assinaturas comportamentais ocultas durante o treino. Posteriormente, estas assinaturas podem ser testadas através de instruções específicas, permitindo aos programadores investigar se outro modelo contém vestígios do seu trabalho original.
É importante salientar que esta verificação pode ser realizada através do acesso à API de um modelo suspeito de ser derivado, sem exigir acesso direto aos seus pesos internos.
«Os modelos de IA estão a tornar-se alguns dos ativos de propriedade intelectual mais valiosos do mundo, mas, quando um modelo é copiado ou destilado, provar a sua titularidade torna-se incrivelmente difícil», afirmou Sachi Kamiya, diretora de Empreendedorismo e Crescimento da Sentient Foundation.
«A impressão digital coloca a prova dentro do modelo. Pensem nela como o equivalente, na IA, às marcas ocultas que os pintores renascentistas usavam para estabelecer a autoria.»
Esta abordagem poderá tornar-se particularmente relevante à medida que o desenvolvimento de IA de código aberto se expande e os modelos são cada vez mais modificados e redistribuídos.
Investigadores incorporaram mais de 24 000 impressões digitais num único modelo
A Sentient Labs já demonstrou como as técnicas de impressão digital podem funcionar em grande escala.
O seu método Perinucleus, apresentado na NeurIPS 2025, incorporou com sucesso 24 576 impressões digitais no Llama-3.1-8B, causando uma degradação mínima no desempenho do modelo.
Muitas dessas impressões digitais também sobreviveram a ajustes finos posteriores, o que sugere que as informações de identificação podem continuar detetáveis mesmo depois de um modelo passar por treino adicional.
No entanto, a capacidade de incorporar milhares de impressões digitais não significa necessariamente que estas resistam a uma remoção deliberada.
Uma investigação apresentada na SaTML 2026 revelou que até as técnicas capazes de resistir a modificações comuns dos modelos podem continuar vulneráveis a atacantes que tentem especificamente eliminar ou contornar as suas assinaturas.
Entre os métodos afetados estava a própria abordagem Perinucleus da Sentient.
As conclusões evidenciam um desafio central para a impressão digital de IA: demonstrar que uma assinatura existe é bastante diferente de provar que continua a ser fiável quando um adversário tenta ativamente neutralizá-la.
Um benchmark público para testar alegações sobre impressão digital
O recém-lançado Fingerprinting Leaderboard pretende proporcionar um ambiente padronizado para comparar diferentes abordagens.
A versão inicial centra-se na avaliação da eficácia com que os métodos de impressão digital podem incorporar assinaturas identificáveis, mantendo o desempenho do modelo subjacente.
Uma futura versão alargará estas avaliações para incluir a robustez adversarial, medindo se as impressões digitais continuam detetáveis após tentativas deliberadas de as remover ou contornar.
Esta distinção é importante porque uma técnica que apresenta bons resultados em condições controladas pode não fornecer provas fiáveis da origem em ambientes mais hostis.
Juntamente com o leaderboard, a Sentient está a lançar o mlprints, uma biblioteca de código aberto que reúne técnicas de impressão digital e métodos de ataque num quadro de avaliação partilhado.
A biblioteca permite aos investigadores reproduzir experiências existentes, implementar esquemas alternativos de impressão digital e desenvolver novos ataques em condições de teste comparáveis.
Ao disponibilizar publicamente estas ferramentas, a Sentient pretende estabelecer um processo mais transparente para avaliar alegações sobre a proveniência de modelos de IA.
Porque é importante a titularidade dos modelos para a IA de código aberto
A iniciativa também aborda uma tensão mais ampla na inteligência artificial de código aberto.
Os programadores que disponibilizam publicamente os pesos dos modelos permitem que outras pessoas desenvolvam o seu trabalho, mas isso pode dificultar o acompanhamento da forma como esses modelos são posteriormente copiados, modificados ou incorporados noutros sistemas.
Manter os modelos fechados oferece maior controlo sobre a distribuição, mas limita a acessibilidade e o desenvolvimento colaborativo associados à IA de código aberto.
A impressão digital poderá oferecer uma abordagem diferente, permitindo aos programadores partilhar os seus modelos e, ao mesmo tempo, manter um mecanismo para estabelecer a sua origem.
Essas capacidades poderão, eventualmente, apoiar a atribuição, a aplicação de licenças e acordos económicos associados à proveniência verificável dos modelos.
No entanto, a investigação também demonstra que a criação de impressões digitais fiáveis continua a ser um desafio técnico por resolver.
O objetivo de longo prazo da Sentient é desenvolver assinaturas tão estreitamente ligadas às capacidades de um modelo que removê-las também prejudicaria a utilidade do modelo.
Para já, o Fingerprinting Leaderboard representa um esforço para determinar quais das técnicas existentes podem fornecer provas relevantes da origem e quais continuam vulneráveis à manipulação.
Com o benchmark inicial já disponível e testes adversariais previstos para uma futura versão, o projeto poderá proporcionar aos investigadores um quadro comum para avaliar um dos desafios emergentes na proteção da propriedade intelectual em IA.
Estão disponíveis mais informações sobre a iniciativa em fingerprint.sentient.foundation.
Aviso legal: Este artigo é fornecido apenas para fins informativos. Não é oferecido nem se destina a ser utilizado como aconselhamento jurídico, fiscal, de investimento, financeiro ou de qualquer outra natureza.