Δίνοντας “Μυστικές Ταυτότητες” σε Προστατευμένα με Πνευματικά Δικαιώματα Χαρακτήρες Animations

Νέα έρευνα από την Κίνα προσφέρει έναν μη εύθραυστο τρόπο για την προστασία προστατευμένων με πνευματικά δικαιώματα χαρακτήρων animation, “ενισχύοντας” γενικούς αντικαταστάτες κατά τη διάρκεια της εύρεσης. Maar μπορεί αυτή η μέθοδος να νικήσει την εφευρετικότητα των prompt-hackers;

Δεδομένου του βαθμού των προστατευμένων με πνευματικά δικαιώματα υλικών που υπάρχουν σε υπερκλίμακες datasets (λόγω του τεράστιου κόστους για την απομάκρυνση τέτοιων παραβάσεων), τα μοντέλα που εκπαιδεύονται σε αυτά έχουν την τάση να αναπαράγουν προστατευμένα με πνευματικά δικαιώματα χαρακτήρες.

Η άμεση επεξεργασία του εκπαιδευμένου μοντέλου, ή η χρήση φίλτρων για την απομάκρυνση λέξεων-κλειδιών όταν το μοντέλο προσεγγίζεται μέσω API, μπορεί συχνά να αποκρυπτογραφηθεί περιγράφοντας το προστατευμένο στοιχείο ελλειπτικά:

Ένας προστατευμένος με πνευματικά δικαιώματα χαρακτήρας που παράγεται από ένα δημοφιλές chatbot AI, χωρίς άμεση επίκληση ονομάτων χαρακτήρων. Πηγή

Σε μια ισχυρή και σταθερή έρευνα, οι τεχνικές τροποποίησης του μοντέλου έχουν προσπαθήσει να αλλοιώσουν παραμέτρους σε ένα εκπαιδευμένο μοντέλο, με διαφορετικά αποτελέσματα:

Από το έγγραφο του 2023 Ablating Concepts in Text-to-Image Diffusion Models, φωτορεαλιστικές αναπαραστάσεις της ηθοποιού Brie Larson ως ‘Captain Marvel’ – ενσωματωμένες σε ένα δημοφιλές μοντέλο διάχυσης – μετατρέπονται σε χαλαρά συνδεδεμένες καρτούν εικόνες όταν ζητηθούν από τον χρήστη. Πηγή

Ωστόσο, η αφαίρεση είναι συνήθως μια επιζήμια και ακατάλληλη διαδικασία, και μπορεί συχνά να επηρεάσει άλλες ιδιότητες του εκπαιδευμένου μοντέλου. Además, υπάρχουν πολλαπλά τρόποι για να την αποφύγουν.

Η άλλη δημοφιλής προσέγγιση είναι η “αρνητική προώθηση”, όπου μια πρόσθετη “αντι-πρόωθηση” στέλνεται στο μοντέλο, σχεδιασμένη για να περιορίσει την έξοδο. Όταν τα μοντέλα προσεγγίζονται μέσω API (όπως όλα τα μοντέλα frontier, για παράδειγμα), μια “μυστική” αρνητική πρόωθηση μπορεί να στείλεται μαζί με την γνωστή πρόωθηση του χρήστη, αποτελώντας ένα εγχειρίδιο που σχεδιάζεται για να αποτρέψει το μοντέλο από το να παρέχει απαγορευμένα υλικά στο χρήστη. Αυτή η προσέγγιση, αν και δημοφιλής ως ένας διανυσματικός προστασίας πνευματικών δικαιωμάτων, δεν λειτουργεί πάντα.

Η περισσότερη δουλειά γύρω από την μετα-事実 λογοκρισία της εύρεσης είναι κατειλημμένη με το ευρύτερο ζήτημα της διασφάλισης ότι τα μοντέλα δεν βγάζουν CSAM, ή οποιονδήποτε τύπο NSFW υλικού, παρά τις μεγάλες ποσότητες τέτοιου υλικού που πιθανότατα να υπάρχουν στο εκπαιδευτικό σύνολο δεδομένων ενός μεγάλου μοντέλου. Такие πρωτοβουλίες μπορούν να επηρεάσουν ολόκληρες κατηγορίες περιεχομένου, αντί για συγκεκριμένες περιπτώσεις, και συνήθως λείπουν της απαραίτητης νюανς για να αντιμετωπίσουν τις ανησυχίες των κατόχων πνευματικών δικαιωμάτων που επιδιώκουν να καταστείλουν συγκεκριμένες ταυτότητες.

Σώματα

Με αυτό στο μυαλό, μια νέα έρευνα από την Κίνα προτείνει την αντικατάσταση προστατευμένων με πνευματικά δικαιώματα χαρακτήρων animation κατά τη διάρκεια της εύρεσης εικόνων με μαθημένα γενικά αντικαταστάτες – “σώματα” που διατηρούν αρκετά από το σχήμα και τη δομή του χαρακτήρα για να διατηρήσουν τη γύρω σκηνή, ενώ αφαιρούν οποιαδήποτε διακριτικά λεπτομέρειες που σχετίζονται με το προστατευμένο χαρακτήρα:

«Ανονοποιημένες» αναπαραστάσεις προστατευμένων με πνευματικά δικαιώματα υλικών που υπάρχουν και είναι προσβάσιμα σε ένα εκπαιδευμένο μοντέλο, που επιτυγχάνονται με τη νέα μέθοδο ενσωμάτωσης. Πηγή

Κρίσιμο, αυτή η παρέμβαση συμβαίνει κατά τη διάρκεια της εύρεσης χωρίς να τροποποιήσει ή να επιμεληθεί το υποκείμενο μοντέλο διάχυσης, και μπορεί να ρυθμιστεί για να καθορίσει πόσο εκτενώς ο αρχικός χαρακτήρας διαγράφεται.

Η προσέγγιση υπονοεί ότι η τροποποίηση του μοντέλου είναι μια κακή μέθοδος για αυτόν τον σκοπό, και αντίθετα ενισχύει σχεδιασμένες ενσωματώσεις στη διαδικασία εύρεσης – ενσωματώσεις που σχεδιάζονται για να “αναδιαμορφώσουν” αντί να αφαιρέσουν (μηδενίσουν, αφαιρέσουν) το προστατευμένο περιουσιακό στοιχείο. Η διαδικασία δεν επηρεάζει ή τροποποιεί το βασικό μοντέλο καθόλου, και επομένως μπορεί να επαναχρησιμοποιηθεί ή να προσαρμοστεί σε eine ποικιλία μοντέλων.

Αν και η μέθοδος δοκιμάστηκε από τους συγγραφείς στο παλαιότερο Stable Diffusion σειρά μοντέλων, επίσης δοκιμάστηκε αποτελεσματικά στο πολύ πιο πρόσφατο Z-Image αρχιτεκτονική, υποδεικνύοντας ότι η έννοια των συγγραφέων είναι εφαρμόσιμη σε eine ποικιλία γενετικών αρχιτεκτονικών.

Το έγγραφο αναφέρει:

‘[Προτείνουμε] μια ελεγχόμενη μέθοδο που λειτουργεί στην συνεχή текстική αναπαράσταση του μοντέλου για να διαγράψουμε τους στόχους χαρακτήρες κατά τη διάρκεια της εύρεσης. [Βελτιώνουμε] μια άγκυρα ενσωμάτωση μέσω δομικών και λεπτομερών περιορισμών για να χρησιμεύσει ως υποκατάστατο χαρακτήρα, και στη συνέχεια [αντικαθιστούμε] τις σχετικές ενσωματώσεις με την άγκυρα μέσω μιας στρατηγικής που είναι ευαίσθητη στη δομή.

‘Πειράματα δείχνουν ότι η μέθοδός μας επιτυγχάνει την αποτελεσματικότητα διαγραφής και τη διατήρηση της εικόνας, ενώ υποστηρίζει τον έλεγχο του βαθμού διαγραφής, την αφαίρεση πολλαπλών στόχων και τη μεταφερσιμότητα του μοντέλου.

‘Επιπλέον, οι βελτιωμένες άγκυρες μας είναι plug-and-play με τις τρέχουσες μεθόδους τροποποίησης του μοντέλου για να βελτιώσουν την απόδοσή τους.’

Η νέα μέθοδος διασχίζει διαφορετικές αρχιτεκτονικές και προσφέρει λεπτομερή έλεγχο, σύμφωνα με τους συγγραφείς.

Το νέο έγγραφο έχει τον τίτλο Διαγράψτε αλλά Διατηρήστε: Ελεγχόμενη Αφαίρεση Προστατευμένων Χαρακτήρων Animation μέσω Βελτιωμένων Семантиκών Άγκυρων, και προέρχεται από επτά συγγραφείς από το Ινστιτούτο Πληροφορικής του Κινεζικού Ιδρύματος Επιστημών και το Πανεπιστήμιο του Κινεζικού Ιδρύματος Επιστημών στην Πεκίνο.

Μέθοδος

Η κεντρική ιδέα πίσω από τη νέα μέθοδο, όπως φαίνεται παρακάτω, είναι να δημιουργηθεί ένας αντικαταστάτης για κάθε προστατευμένο με πνευματικά δικαιώματα χαρακτήρα που διατηρεί το ευρύ σχήμα και τη δομή, ενώ αφαιρεί τις διακριτικές οπτικές λεπτομέρειες που κάνουν τον χαρακτήρα αναγνωρίσιμο – και στη συνέχεια να χρησιμοποιηθεί αυτός ο αντικαταστάτης κατά τη διάρκεια της εύρεσης εικόνων όταν ο προστατευόμενος χαρακτήρας ζητηθεί.

Σχήμα για την νέα προσέγγιση.

Ο αντικαταστάτης, τον οποίο οι συγγραφείς ονομάζουν άγκυρα, σχεδιάζεται για να διατηρήσει αρκετά από το αρχικό σχήμα και τη δομή του χαρακτήρα για να ταιριάξει φυσικά στη mesma σκηνή, ενώ αφαιρεί τις λεπτομέρειες που κάνουν τον χαρακτήρα διακριτό.

Για να επιτύχουν αυτό, το σύστημα συγκρίνει χονδρές δομικές πληροφορίες που παράγονται για τον αρχικό χαρακτήρα με εκείνες που παράγονται για την αναπτυσσόμενη άγκυρα,推 đẩy τις δύο προς μια παρόμοια συνολική μορφή. Μια αναφορά εικόνας του προστατευμένου χαρακτήρα χρησιμοποιείται για τον αντίθετο σκοπό,推 đẩy την άγκυρα μακριά από τις αναγνωρίσιμες λεπτομέρειες:

Μέθοδος για την κατασκευή ενός μη-παραβιάζοντος αντικαταστάτη για einen προστατευμένο με πνευματικά δικαιώματα χαρακτήρα. Το σχήμα του χαρακτήρα διατηρείται ενώ οι διακριτικές οπτικές λεπτομέρειες καταστέλλονται, παράγοντας μια βελτιωμένη ‘άγκυρα’ για χρήση κατά τη διάρκεια της εύρεσης.

Η αποτέλεσμα άγκυρα κατέχει εσκεμμένα ένα μεσοδιάστημα μεταξύ της διατήρησης της ζητούμενης σύνθεσης και της αφαίρεσης της προστατευμένης ταυτότητας.

Άγκυρα Μακριά

Μόλις αυτές οι ιδιότητες έχουν καθοριστεί, η άγκυρα χρειάζεται να μεταφραστεί σε κάτι που το μοντέλο διάχυσης μπορεί να καταλάβει. Ο προσωρινός όρος Άγκυρα* [sic] δίνεται η δική του μαθητέα αναπαράσταση μέσα στο CLIP text encoder, δημιουργώντας effectively ένα νέο τεχνητό λόγο/οντότητα, του οποίου το νόημα μπορεί να διαμορφωθεί χωρίς να αλλάξει το υποκείμενο μοντέλο εύρεσης εικόνας.

Αυτή η νέα αναπαράσταση調整εται επανειλημμένα σύμφωνα με τους δομικούς και λεπτομερείς στόχους που περιγράφηκαν παραπάνω, διδάσκοντας Άγκυρα* να σημαίνει κάτι που έχει το σχήμα του προστατευμένου χαρακτήρα, αλλά χωρίς τις αναγνωρίσιμες λεπτομέρειες.

Το υπόλοιπο του κωδικοποιητή κειμένου παραμένει παγωμένο κατά τη διάρκεια αυτής της διαδικασίας, ενώ οι κανονικοί αρχικοί, τελικοί και padding tokens που περιβάλλουν Άγκυρα* παρέχουν το контекст που χρειάζεται για να μετατρέψουν αυτή τη νέα-μάθηση ψευδολόγο σε τελικές ενσωματώσεις που χρησιμοποιούνται κατά τη διάρκεια της εύρεσης.

Αдапτική Αντικατάσταση

Κατά τη διάρκεια της εύρεσης (εικονικής), το αλγόριθμο αναζητά τις κωδικοποιημένες προωθήσεις για όρους που σχετίζονται με τον προστατευμένο χαρακτήρα και αντικαθιστά τις μαθημένες άγκυρα ενσωματώσεις στη θέση τους, ενώ επίσης προσαρμόζει τις τελικές και padding ενσωματώσεις που φέρουν πληροφορίες контекστου.

Για να προετοιμαστεί για αυτό, το σύστημα επιτρέπει απομακρύνωση θορύβου για να καθορίσει τη χονδρή σύνθεση της ζητούμενης εικόνας, παρακολουθώντας αλλαγές στη χονδρή δομή για να καθορίσει πότε αυτή η διάταξη έχει αρχίσει να σταθεροποιείται:

Μια αναπαράσταση του πότε συμβαίνει η αντικατάσταση άγκυρας κατά τη διάρκεια της εύρεσης εικόνας. Αλλαγές στη χονδρή δομή της εικόνας παρακολουθούνται καθ’ όλη τη διάρκεια της απομακρύνουσας θορύβου, με αντικατάσταση που προκαλείται γύρω από το σημείο όπου η συνολική διάταξη σταθεροποιείται και οι λεπτομέρειες αρχίζουν να εμφανίζονται.

Στην εικόνα πάνω βλέπουμε αυτή τη μετάβαση να συμβαίνει περίπου στο βήμα 720, όπου η μετρούμενη δομική αλλαγή φτάνει στο μέγιστο και στη συνέχεια αρχίζει να πέφτει. Σε αυτό το σημείο, η χονδρή διάταξη της εικόνας έχει σε μεγάλο βαθμό σχηματιστεί, επιτρέποντας στην άγκυρα να αντικαταστήσει τον προστατευμένο χαρακτήρα, ενώ μειώνει τον κίνδυνο διατάραξης της καθορισμένης σύνθεσης.

Δεδομένα και Δοκιμές

Οι συγγραφείς σύγκριναν την προσέγγισή τους με πέντε βασικές προωθήσεις: Ασφαλής Latent Diffusion (SLD); STG; SAFREE; TraSCE; και Negative Prompting (NP).

Οι βελτιωμένες άγκυρα ενσωματώσεις επίσης ενσωματώθηκαν σε τέσσερις υπάρχουσες μεθόδους τροποποίησης του μοντέλου: MACE; UCE; ESD-u; και AC. Αυτό έγινε για να δοκιμαστεί εάν αυτές θα μπορούσαν να βελτιώσουν την προτεινόμενη μέθοδο όσον αφορά την αφαίρεση του χαρακτήρα.

Για αξιολόγηση, ένα σύνολο δεδομένων 80 χαρακτήρων animation συναρμολογήθηκε, αποτελούμενο από 36 ανθρωπομορφικούς χαρακτήρες; 23 ζωικά σχήματα; και 21 από διαφορετικές κατηγορίες – με όλους τους επιλεγμένους χαρακτήρες να επιλέγονται επειδή θα μπορούσαν να αναπαραχθούν με ακρίβεια από μοντέλα διάχυσης.

Εκατό εικόνες παράχθηκαν για κάθε χαρακτήρα, χρησιμοποιώντας προωθήσεις που παράχθηκαν από GPT-4o.

Stable Diffusion v1.4 χρησιμοποιήθηκε για τις κύριες δοκιμές, με τη μεταφερσιμότητα να δοκιμάζεται επιπλέον σε περαιτέρω εκδόσεις του Stable Diffusion v1.5; V2; v2.1; XL base 1.0; και επίσης το πολύ πρόσφατο DiT-βασισμένο Z-Image. Δεν πραγματοποιήθηκε καμία ρύθμιση του μοντέλου.

Για μετρικές, LLaVA-1.5 και BLIP-3 μετρούν εάν ο στόχος χαρακτήρας παραμένει αναγνωρίσιμος, με χαμηλότερη ταυτοποίηση ακρίβεια που υποδηλώνει πιο πλήρη αφαίρεση; Δείκτης δομικής ομοιότητας (SSIM) μετρά τη διατήρηση της δομής; Μαθημένες αντίληψης ομοιότητας μετρικών (LPIPS) μετρά τη διαφορετική αντίληψη; και Αισθητικός προβλέπτης V2 Σκορ αξιολογεί την οπτική ποιότητα της τροποποιημένης εικόνας.

Fréchet Inception Distance (FID) και CLIP Score υπολογίστηκαν επίσης από μη σχετικές προωθήσεις στο COCO-30K, για να μετρήσουν εάν η κανονική εύρεση εικόνας είχε επηρεαστεί:

Αποτελέσματα δοκιμών που συγκρίνουν μεθόδους αφαίρεσης χαρακτήρων σε 80 χαρακτήρες animation. Οι δύο πρώτες στήλες μετρούν πόσο συχνά ο υποτιθέμενος διαγραμμένος χαρακτήρας θα μπορούσε ακόμα να αναγνωριστεί, έτσι χαμηλότερες βαθμολογίες υποδηλώνουν καλύτερη αφαίρεση. Οι υπόλοιπες στήλες μετρούν πόσο καλά η αρχική εικόνα και η μη σχετική εύρεση διατηρήθηκαν. Βέλη δείχνουν εάν υψηλότερες ή χαμηλότερες βαθμολογίες είναι προτιμότερες; το بولντ υποδηλώνει το καλύτερο αποτέλεσμα και η υπογράμμιση το δεύτερο καλύτερο.

Από αυτά τα αρχικά αποτελέσματα για ποσοτική σύγκριση, οι συγγραφείς αναφέρουν:

‘Συγκρινόμενα με όλες τις βάσεις, εικόνες που διαγράφονται χρησιμοποιώντας τη μέθοδό μας επιτύγχαναν τις χαμηλότερες ακρίβειες για επιτυχημένη ταυτοποίηση από LLaVA-1.5 (6.0%) και BLIP-3 (4.0%), με μειώσεις 3.5% και 1.7% σε σύγκριση με τη δεύτερη χαμηλότερη, αντίστοιχα.

‘Αυτό δείχνει την αποτελεσματικότητα της αφαίρεσης της μεθόδου μας, καθώς αποτελεί μια πειστική [απάτη] για μεγάλους μοντέλους πολλαπλών μεσομέσων.’

Για την πιστότητα της εικόνας, η μέθοδος των συγγραφέων παρήγαγε το υψηλότερο σκορ SSIM, στο 0.467, και το χαμηλότερο σκορ LPIPS στο 0.505 – υποδηλώνοντας την ισχυρότερη διατήρηση του μη σχετικού περιεχομένου και της δομής του φόντου μεταξύ των δοκιμασμένων μεθόδων. Επίσης, επιτύγχαναν το υψηλότερο Αισθητικό προβλέπτης V2 Σκορ μεταξύ των μεθόδων αφαίρεσης χαρακτήρων, στο 5.18, υποδηλώνοντας ότι αυτή η διατήρηση δεν έρχεται με το τίμημα της συνολικής οπτικής ποιότητας.

Μια ποιοτική δοκιμή ακολούθησε:

Αποτελέσματα δοκιμών που συγκρίνουν την αφαίρεση χαρακτήρων σε πέντε χαρακτήρες animation. Κάθε σειρά δείχνει αποτελέσματα από μια διαφορετική μέθοδο, με τις αρχικές γεννήσεις του Stable Diffusion v1.4 στην κορυφή και τη μέθοδο που προτείνουμε στο κάτω μέρος. Η μέθοδος που προτείνουμε αντικαθιστά πιο συνεχώς τους στόχους χαρακτήρες ενώ διατηρεί τη γύρω σκηνή. Παρακαλώ αναφερθείτε στο αρχικό πηγή PDF ή στην ιστοσελίδα του έργου για μια ελαφρώς καλύτερη ανάλυση.

Σύμφωνα με το έγγραφο, τα παραδείγματα δείχνουν ιδιαίτερα σαφείς διαφορές για χαρακτήρες με πιο σύνθετα σχήματα και ιδιότητες, με τον Donald Duck και τον Super Mario να αναφέρονται ως παραδείγματα:

‘[Η] μέθοδος μας επιτύγχανα μια ομαλή αφαίρεση των χαρακτήρων animation μέσω βελτιωμένων άγκυρων, ενώ οι βασικές προωθήσεις συχνά αποτύγχαναν—ιδιαίτερα για χαρακτήρες με σύνθετα σχήματα και ιδιότητες (π.χ. Donald Duck και Super Mario).

‘Επιπλέον, η μέθοδος μας επιτύγχανα τη συνέχεια του φόντου χωρίς τις θολές ή παραμορφωμένες αρτεφάκτα, υποστηρίζοντας επαναλαμβανόμενες δημιουργικές ροές εργασίας.’

Λεπτομερής Έλεγχος

Ένας συνεχής χώρος ενσωματώσεων επίσης επιτρέπει τον έλεγχο του βαθμού αφαίρεσης του χαρακτήρα να ρυθμιστεί, αντί να αντιμετωπίζεται ως μια απόλυτη πρόταση. Με την παρεμβολή μεταξύ της βελτιωμένης άγκυρας και της αρχικής στόχου ενσωμάτωσης, η μέθοδος μπορεί να αποκαταστήσει προοδευτικά περισσότερο του χαρακτήρα, ενώ διατηρεί τη γύρω δομή της εικόνας:

Δοκιμαστικές εικόνες που δείχνουν διαφορετικούς βαθμούς αφαίρεσης χαρακτήρων. Οι τρεις πρώτες στήλες δείχνουν τον αρχικό χαρακτήρα, την διαγραμμένη εκδοχή, και τις οπτικές λεπτομέρειες που αφαιρέθηκαν; οι υπόλοιπες στήλες δείχνουν ενδιάμεσες ρυθμίσεις στο α=0.25, 0.5 και 0.75. Υψηλότερες τιμές α διατηρούν προοδευτικά περισσότερο του αρχικού χαρακτήρα. Παρακαλώ αναφερθείτε στο αρχικό πηγή PDF ή στην ιστοσελίδα του έργου για μια ελαφρώς καλύτερη ανάλυση.

Όπως φαίνεται παραπάνω, οι συγγραφείς δοκιμάζουν επίσης αυτήν την έλεγχο στον Winnie the Pooh; τον Olaf; τη Minnie Mouse; και τον Stitch. Η δομική ομοιότητα παρέμεινε σχετικά σταθερή καθώς ο βαθμός αποκατάστασης άλλαξε, ενώ η αναγνώριση από LLaVA-1.5 και BLIP-3 αυξήθηκε καθώς περισσότερος από κάθε χαρακτήρα αποκαταστάθηκε.

Ο Winnie the Pooh και ο Stitch έγιναν αναγνωρίσιμοι σε σχετικά στενά εύρη; ο Olaf και η Minnie Mouse άλλαξαν πιο σταδιακά; και η Minnie Mouse έγινε αναγνωρίσιμη με σχετικά λίγη αποκατάσταση, δείχνοντας ότι ο κατάλληλος βαθμός αφαίρεσης εξαρτάται από τον χαρακτήρα που στοχεύεται.

Περισσότερες δοκιμές για την αντικατάσταση πολλαπλών στόχων σε μια seule πέρασμα πραγματοποιήθηκαν επιτυχώς, και αναφερόμαστε τον αναγνώστη στο αρχικό έγγραφο για περισσότερες λεπτομέρειες σχετικά με αυτό, και για πρόσθετα συμπληρωματικά αποτελέσματα και υλικό.

Συμπέρασμα

Όπως πάντα, αυτή η τελευταία στροφή στις φραγμούς πνευματικών δικαιωμάτων είναι ισοδύναμη με την ασφάλιση της σταθερής πόρτας μετά την απόδραση του αλόγου.

Σε εκείνες τις σπάνιες περιπτώσεις όπου οι ερευνητές και οι εταιρείες έχουν επιδιώξει να καταστείλουν την ικανότητα του μοντέλου να παράγει γυμνό ή πορνογραφικό υλικό, αποκόπτοντας την εσωτερική πρόσβαση σε “NSFW” υλικό στο σύνολο δεδομένων (επειδή είναι ακόμα πολύ ακριβό να το επιμεληθούν), έχει αποδειχθεί ότι το μοντέλο δεν θα μπορούσε να καταλάβει σωστά την ανθρώπινη ανατομία.

Η νέα μέθοδος που προτείνεται εδώ είναι, επιχειρηματικά, ισοδύναμη με την εξαφάνιση/γενίκευση μιας συγκεκριμένης πορνοστάρ, σε μια περίπτωση όπου ένας φίλτρος NSFW χτιζόταν για ένα μοντέλο που εκπαιδεύτηκε σε ανεπιμελημένα σκαμμένα τόνους web περιεχομένου. Για τη νέα μέθοδο, η δημιουργία ενός “γενικού διπλού” για einen προστατευμένο με πνευματικά δικαιώματα χαρακτήρα πρέπει να αφήνει το σούπερ-ηρωικό domaine ακέραιο στο.latent χώρο του μοντέλου; και όσο πιο σημαντικός ο στοχευμένος προστατευμένος με πνευματικά δικαιώματα χαρακτήρας είναι, τόσο πιο ορίζουν τον τομέα τους στο εκπαιδευμένο χώρο.

Επομένως, η αφαίρεσή τους είναι σαν να προσπαθείς να αφαιρέσεις ζάχαρη από καφέ, αφού έχει ανακατευτεί.

Έτσι, ενώ αυτή η προσέγγιση μπορεί να απολαύσει κάποια περιορισμένη επιτυχία αν προστεθεί στα αυξανόμενα API τείχη των μοντέλων frontier, η διασυνδεδεμένη φύση ενός GenAI μοντέλου υποδηλώνει ιστορικά ότι το προστατευμένο με πνευματικά δικαιώματα υλικό που στοχεύει αυτή η μέθοδος μπορεί να παραμείνει προσβάσιμο μέσω της συνήθους εφευρετικότητας των prompters.

Πρώτη δημοσίευση Παρασκευή, 14 Αυγούστου 2026