การให้ ‘ตัวตนลับ’ แก่ตัวละครแอนิเมชั่นที่มีลิขสิทธิ์

การวิจัยใหม่จากประเทศจีนเสนอวิธีการที่ไม่รุกรานในการปกป้องตัวละครแอนิเมชั่นที่มีลิขสิทธิ์ โดย ‘ฉีด’ ตัวแทนแบบทั่วไปในช่วงเวลาของการอนุมาน แต่方法นี้สามารถเอาชนะความฉลาดของนักแฮกคำสั่งได้หรือไม่?

เมื่อพิจารณาจาก ขอบเขตของเนื้อหาที่มีลิขสิทธิ์ ที่มีอยู่ในเซตข้อมูลขนาดใหญ่ (เนื่องจากต้นทุนสูงในการกำจัดการละเมิดลิขสิทธิ์เหล่านี้) โมเดลที่ได้รับการฝึกอบรมจากเซตข้อมูลเหล่านี้มักจะสามารถ สร้างตัวละครที่มีลิขสิทธิ์ ได้

การแก้ไขแบบตรงๆ ของโมเดลที่ได้รับการฝึกอบรม หรือการใช้ตัวกรองเพื่อจับคำหลักเมื่อโมเดลถูกเข้าถึงผ่าน API สามารถถูกขัดขวางได้โดยการอธิบายองค์ประกอบที่มีลิขสิทธิ์ โดยอ้อม:

ตัวละครที่มีลิขสิทธิ์ที่สร้างโดยแชทบอท AI ที่ได้รับความนิยม โดยไม่ต้องเรียกชื่อตัวละครโดยตรง. แหล่งที่มา

ในสายการวิจัยที่เข้มแข็งและยืนหยัด มีการใช้เทคนิค การปรับเปลี่ยนโมเดล เพื่อ เปลี่ยนพารามิเตอร์ ในโมเดลที่ได้รับการฝึกอบรม โดยมี ผลลัพธ์ที่แตกต่างกัน:

จากงานวิจัยปี 2023 เรื่อง Ablating Concepts in Text-to-Image Diffusion Models ภาพถ่ายที่เหมือนจริงของนักแสดง Brie Larson ในบท ‘Captain Marvel’ – ที่ฝังอยู่ในโมเดลการกระจาย – ถูกเปลี่ยนเป็นภาพการ์ตูนที่เกี่ยวข้องเมื่อผู้ใช้ขอ แหล่งที่มา

อย่างไรก็ตาม การทำลายล้างมักเป็นกระบวนการที่เป็นอันตรายและไม่แม่นยำ และสามารถ ส่งผลกระทบต่อลักษณะอื่นๆ ของโมเดลที่ได้รับการฝึกอบรม นอกจากนี้ยังมี วิธีหลากหลายในการหลีกเลี่ยง

แนวทางที่ได้รับความนิยมอีกวิธีหนึ่งคือ ‘การกระตุ้นลบ’ โดยที่คำสั่ง ‘ต้าน’ เพิ่มเติมจะถูกส่งไปยังโมเดล โดยออกแบบมาเพื่อจำกัดเอาต์พุต เมื่อโมเดลถูกเข้าถึงผ่าน API (เช่น โมเดลแนวหน้าทั้งหมด) คำสั่ง ‘ลับ’ ‘ต้าน’ สามารถส่งพร้อมกับคำสั่งผู้ใช้ที่ทราบได้ โดยประกอบด้วยกรอบที่ออกแบบมาเพื่อป้องกันไม่ให้โมเดลจัดหาวัสดุที่ถูกห้ามให้กับผู้ใช้ แนวทางนี้ แม้ว่าจะเป็นที่นิยม ในฐานะเวกเตอร์ในการคุ้มครองลิขสิทธิ์ ไม่ได้ผลเสมอไป

ส่วนใหญ่ของงานวิจัยเกี่ยวกับการเซ็นเซอร์หลังการอนุมานมุ่งเน้นไปที่ประเด็นที่กว้างขึ้นในการทำให้แน่ใจว่าโมเดลไม่ผลิต CSAM หรือ เนื้อหาที่ไม่เหมาะสม แม้ว่าจะมีปริมาณมาก ที่อาจมีอยู่ ในชุดข้อมูลการฝึกอบรมของโมเดลหลักๆ เหล่านี้ มักจะส่งผลกระทบต่อ คลาสเนื้อหาทั้งหมด มากกว่ากรณีเฉพาะ และมักจะขาดความละเอียดอ่อนที่จำเป็นในการตอบสนองความกังวลของเจ้าของลิขสิทธิ์ที่พยายามยับยั้งอัตลักษณ์เฉพาะ

ตัวแทน

ด้วยสิ่งนี้ในใจ วิจัยใหม่จากประเทศจีนเสนอการแทนที่ตัวละครแอนิเมชั่นที่มีลิขสิทธิ์ด้วย ตัวแทนแบบทั่วไปที่เรียนรู้ – ‘ตัวแทน’ ที่รักษารูปร่างและโครงสร้างโดยรวมของตัวละครไว้ ในขณะที่ลบรายละเอียดที่แตกต่างที่ทำให้ตัวละครนั้นรู้จัก:

การแสดง ‘ทำให้ไม่ระบุชื่อ’ ของเนื้อหาที่มีลิขสิทธิ์อื่นๆ ที่มีอยู่และสามารถเข้าถึงได้ในโมเดลที่ได้รับการฝึกอบรม โดยใช้วิธีการฝังใหม่ แหล่งที่มา

สิ่งสำคัญคือ การแทรกแซงนี้เกิดขึ้นระหว่างการสร้างภาพโดยไม่ต้องแก้ไขหรือปรับโมเดลการกระจายที่อยู่ภายใต้ และสามารถปรับให้เหมาะสมเพื่อกำหนดว่าตัวละครดั้งเดิมจะถูกลบออกไปมากน้อยเพียงใด

แนวทางนี้ยอมรับโดยไม่ชัดเจนว่าการเปลี่ยนแปลงโมเดลเป็นวิธีการที่ไม่ดีสำหรับวัตถุนี้ และแทนที่จะ ‘ฉีด’ การฝังที่สร้างขึ้น เข้าไปในกระบวนการอนุมาน – การฝังที่ออกแบบมาเพื่อ ‘ปรับเปลี่ยน’ มากกว่าการ ‘ลบ’ (ตัดออกหรือลบ) สินทรัพย์ที่มีลิขสิทธิ์ การกระบวนการนี้ไม่ได้ส่งผลกระทบหรือเปลี่ยนแปลงโมเดลพื้นฐานใดๆ และดังนั้นจึงสามารถนำกลับมาใช้ใหม่หรือปรับให้เหมาะสมสำหรับโมเดลหลากหลายได้

แม้ว่าวิธีการนี้จะถูกทดสอบโดยผู้เขียนใน Stable Diffusion รุ่นก่อนหน้า แต่ก็ถูกทดสอบอย่างมีประสิทธิภาพใน Z-Image สถาปัตยกรรมที่ใหม่กว่ามาก ซึ่งแสดงให้เห็นว่าแนวคิดของผู้เขียนสามารถนำไปใช้กับโครงสร้างการสร้างภาพที่หลากหลาย

เอกสารระบุว่า:

‘[เรา] เสนอวิธีการที่ควบคุมได้ในการทำงานบนการแสดงข้อความที่ต่อเนื่องของโมเดลเพื่อลบตัวละครเป้าหมายระหว่างการสร้างภาพ เรา[เพิ่มประสิทธิภาพ] การฝังจ錨ผ่านข้อจำกัดทางโครงสร้างและรายละเอียดเพื่อใช้เป็นตัวแทนของตัวละคร จากนั้น[แทนที่] การฝังที่เกี่ยวข้องกับเป้าหมายด้วย錨ผ่านกลยุทธ์ที่ตระหนักถึงโครงสร้าง

‘การทดลองแสดงให้เห็นว่าวิธีการของเรามีประสิทธิผลในการลบออกและรักษาคุณภาพของภาพสูงสุด ในขณะเดียวกันก็สนับสนุนการลบออกที่สามารถควบคุมได้ การลบหลายเป้าหมาย และการถ่ายโอนโมเดล

‘นอกจากนี้錨ที่ได้รับการปรับให้เหมาะสมของเรายังสามารถใช้ได้กับโมเดลการเปลี่ยนแปลงพื้นฐานปัจจุบันเพื่อปรับปรุงประสิทธิภาพการลบของพวกเขา’

วิธีการใหม่นี้ครอบคลุมสถาปัตยกรรมที่หลากหลายและเสนอกำหนดการควบคุมที่ละเอียด

เอกสารวิจัยใหม่ เรื่องนี้ มีชื่อเรื่องว่า ลบแต่รักษา: การลบตัวละครแอนิเมชั่นที่มีลิขสิทธิ์ที่สามารถควบคุมได้ผ่าน錨เชิงความหมายที่ได้รับการปรับให้เหมาะสม และมาจากผู้เขียนเจ็ดคนจากสถาบันเทคโนโลยีแห่งจีนและมหาวิทยาลัยวิทยาศาสตร์และเทคโนโลยีแห่งจีนในกรุงปักกิ่ง

วิธีการ

แนวคิดหลักเบื้องหลังวิธีการใหม่นี้ คือการสร้างตัวแทนสำหรับตัวละครที่มีลิขสิทธิ์แต่ละตัวที่รักษารูปร่างและโครงสร้างโดยรวมไว้ ในขณะที่ลบรายละเอียดที่แตกต่างที่ทำให้ตัวละครนั้นรู้จัก – แล้วใช้ตัวแทนระหว่างการสร้างภาพเมื่อตัวละครที่ได้รับการคุ้มครองถูกขอ

สเคมาสำหรับแนวทางใหม่

ตัวแทน ซึ่งผู้เขียนเรียกว่า 錨 ถูกออกแบบมาเพื่อรักษารูปร่างและโครงสร้างโดยรวมของตัวละครดั้งเดิมไว้ ในขณะที่ละทิ้งรายละเอียดที่ทำให้ตัวละครนั้นรู้จัก

เพื่อทำให้สิ่งนี้เกิดขึ้น ระบบจะเทียบข้อมูลโครงสร้างที่หยาบที่สร้างขึ้นสำหรับตัวละครดั้งเดิมกับข้อมูลที่สร้างขึ้นสำหรับ錨ที่กำลังพัฒนา โดยผลักดันให้ทั้งสองเข้าใกล้รูปร่างโดยรวมที่คล้ายกัน ภาพอ้างอิงของตัวละครที่มีลิขสิทธิ์ถูกใช้เพื่อวัตถุประสงค์ที่ตรงกันข้าม โดยผลักดัน錨ให้ ห่างจากรายละเอียดที่รู้จักได้:

วิธีการสร้างตัวแทนไม่ละเมิดลิขสิทธิ์สำหรับตัวละครที่มีลิขสิทธิ์ รูปร่างโดยรวมของตัวละครถูกรักษาไว้ ในขณะที่รายละเอียดที่แตกต่างถูกกดขี่ ทำให้เกิด錨ที่ได้รับการปรับให้เหมาะสมสำหรับการใช้งานระหว่างการสร้างภาพ

錨ที่ได้ผลลัพธ์จะยึดครองพื้นที่กลางที่ออกแบบมาโดยเจตนา ระหว่างการรักษาการจัดเรียงและลบตัวตนที่ได้รับการคุ้มครอง

錨ออก

เมื่อคุณสมบัติเหล่านี้ได้รับการกำหนดแล้ว錨ต้องถูกแปลให้เป็นสิ่งที่โมเดลการกระจายสามารถเข้าใจได้ ดังนั้นคำว่า 錨* [sic] จึงได้รับการแสดงแทนการเรียนรู้ของตนเองภายใน CLIP text encoder โดยสร้างคำหรือหน่วยงานเทียมใหม่ ซึ่งความหมายสามารถถูกกำหนดโดยไม่ต้องเปลี่ยนแปลงโมเดลการสร้างภาพที่อยู่ภายใต้

การแสดงนี้ถูกปรับให้เหมาะสมซ้ำๆ ตามวัตถุประสงค์ทางโครงสร้างและรายละเอียดที่อธิบายไว้ข้างต้น โดยสอน 錨* ให้หมายถึงสิ่งที่มีรูปร่างโดยรวมคล้ายกับตัวละครที่ได้รับการคุ้มครอง แต่ไม่มีลักษณะที่ทำให้ตัวละครนั้นรู้จัก

ส่วนที่เหลือของตัวเข้ารหัสข้อความยังคง ถูกแช่แข็ง ระหว่างกระบวนการนี้ ในขณะที่โทเค็นเริ่มต้นและปิดที่ปกติและโทเค็นพัดลมที่ล้อมรอบ 錨* ให้ข้อมูลบริบทที่จำเป็นในการเปลี่ยนคำศัพท์เทียมใหม่นี้ให้เป็นการฝังที่ใช้ระหว่างการสร้างภาพ

การแทนที่แบบปรับให้เหมาะสม

ระหว่างการสร้างภาพ (การอนุมาน) อัลกอริทึมจะค้นหาเงื่อนไขที่เกี่ยวข้องกับตัวละครที่ได้รับการคุ้มครองในคำสั่งเข้ารหัส และแทนที่การฝัง錨ที่เรียนรู้ในตำแหน่งของพวกเขา ในขณะเดียวกันก็ปรับเปลี่ยนการฝังที่สิ้นสุดและพัดลมที่ถือข้อมูลบริบท

เพื่อเตรียมการสำหรับสิ่งนี้ ระบบจะอนุญาตให้ การลดเสียงรบกวน เพื่อกำหนดการวางผังโดยรวมของภาพที่ถูกขอ โดยติดตามการเปลี่ยนแปลงในโครงสร้างที่หยาบเพื่อกำหนดว่าเมื่อใดที่การวางผังนั้นเริ่มมั่นคง:

การแสดงถึงเวลาที่錨ถูกแทนที่ระหว่างการสร้างภาพ การเปลี่ยนแปลงโครงสร้างภาพที่หยาบถูกติดตามตลอดการลดเสียงรบกวน โดยมีการแทนที่ถูกชักชวนเมื่อการวางผังโดยรวมมีความมั่นคง และรายละเอียดที่ละเอียดถูกนำออกมา

ในภาพด้านบน เราจะเห็นการเปลี่ยนแปลงนี้เกิดขึ้นที่ประมาณขั้นตอนที่ 720 โดยที่การเปลี่ยนแปลงโครงสร้างที่วัดได้ถึงจุดสูงสุด แล้วเริ่มลดลง ในจุดนี้ การจัดเรียงโดยรวมของภาพได้ก่อตัวขึ้นเป็นหลักแล้ว ทำให้錨สามารถแทนที่ตัวละครที่ได้รับการคุ้มครองได้ ในขณะที่ลดความเสี่ยงต่อการรบกวนการวางผังที่มีอยู่

ข้อมูลและการทดสอบ

ผู้เขียนเปรียบเทียบแนวทางของตนเองกับ Safe Latent Diffusion (SLD); STG; SAFREE; TraSCE; และการกระตุ้นลบ (NP)

การฝัง錨ที่ได้รับการปรับให้เหมาะสมยังถูกผสมผสานเข้ากับวิธีการเปลี่ยนแปลงโมเดลที่มีอยู่สี่วิธี: MACE; UCE; ESD-u; และ AC เพื่อทดสอบว่าสามารถปรับปรุงวิธีการที่เสนอได้หรือไม่

สำหรับการประเมิน มีการรวบรวมชุดข้อมูลของตัวละครแอนิเมชั่น 80 ตัว ซึ่งประกอบด้วยตัวละครมนุษย์ 36 ตัว ตัวละครสัตว์ 23 ตัว และตัวละครจากหมวดหมู่อื่นๆ 21 ตัว – โดยเลือกตัวละครทั้งหมดเนื่องจากสามารถสร้างขึ้นได้อย่างน่าเชื่อถือโดยโมเดลการกระจาย

จากนั้นจึงสร้างภาพ 100 ภาพสำหรับตัวละครแต่ละตัว โดยใช้คำสั่งที่ผลิตโดย GPT-4o

Stable Diffusion v1.4 ถูกใช้สำหรับการทดลองหลัก โดยมีการทดสอบการถ่ายโอนเพิ่มเติมใน v1.5; V2; v2.1; XL base 1.0; และ Z-Image ที่ใหม่กว่ามาก ไม่มีการ ปรับให้เหมาะสม โมเดลใดๆ ที่ได้รับการฝึกอบรมก่อนหน้านี้ โดยปล่อยให้พารามิเตอร์ของแต่ละโมเดลที่ได้รับการฝึกอบรมไว้ไม่เปลี่ยนแปลง

สำหรับเมตริก LLaVA-1.5 และ BLIP-3 วัดว่าตัวละครเป้าหมายยังคงรู้จักได้หรือไม่ โดยมีความแม่นยำในการระบุผลลัพธ์ที่ต่ำกว่าแสดงถึงการลบออกที่สมบูรณ์ยิ่งขึ้น; ดัชนีความคล้ายคลึงโครงสร้าง (SSIM) วัดการรักษาโครงสร้าง; เมตริกความคล้ายคลึงการรับรู้ที่เรียนรู้ (LPIPS) วัดความแตกต่างการรับรู้; และ คะแนนผู้คาดการณ์ทางสุนทรียศาสตร์ V2 ประเมินคุณภาพภาพที่เปลี่ยนแปลง

ระยะทางการเริ่มต้นของ Fréchet (FID) และ คะแนน CLIP ถูกคำนวณจากคำสั่งที่ไม่เกี่ยวข้องใน COCO-30K เพื่อวัดว่าการสร้างภาพปกติได้รับผลกระทบหรือไม่:

ผลการทดสอบเปรียบเทียบวิธีการลบตัวละครทั่ว 80 ตัวละครแอนิเมชั่น คอลัมน์แรกสองคอลัมน์วัดว่าตัวละครที่ถูกลบออกไปยังคงรู้จักได้บ่อยเพียงใด ดังนั้น คะแนนที่ต่ำกว่าจึงบ่งบอกถึงการลบออกที่ดีกว่า คอลัมน์ที่เหลือวัดว่าภาพดั้งเดิมและภาพที่ไม่เกี่ยวข้องถูกเก็บรักษาไว้ได้ดีเพียงใด สัญลักษณ์แสดงว่าคะแนนสูงหรือต่ำกว่านั้นเป็นที่น่าพอใจ; ตัวหนาแสดงถึงผลลัพธ์ที่ดีที่สุด และการเน้นด้วยเส้นใต้แสดงถึงผลลัพธ์ที่ดีที่สุดเป็นอันดับสอง

จากผลลัพธ์เบื้องต้นสำหรับการเปรียบเทียบเชิงปริมาณ ผู้เขียนระบุว่า:

‘เมื่อเปรียบเทียบกับทั้งบรรทัดฐาน ผลลัพธ์จากการลบโดยใช้วิธีการของเรามีผลลัพธ์ความแม่นยำในการระบุเป้าหมายที่ต่ำที่สุดสำหรับทั้ง LLaVA-1.5 (6.0%) และ BLIP-3 (4.0%) โดยมีการลดลง 3.5% และ 1.7% เมื่อเทียบกับอันดับที่สองที่ดีที่สุดตามลำดับ

‘ซึ่งแสดงให้เห็นถึงประสิทธิผลในการลบออกของวิธีการของเรา เนื่องจากสามารถหลอกลวงโมเดลขนาดใหญ่หลายรูปแบบได้’

สำหรับการรักษาคุณภาพของภาพ วิธีการของผู้เขียนสร้างคะแนน SSIM ที่สูงที่สุด โดยมีค่า 0.467 และคะแนน LPIPS ที่ต่ำที่สุด โดยมีค่า 0.505 – ซึ่งแสดงถึงการรักษาเนื้อหาที่ไม่เกี่ยวข้องและโครงสร้างพื้นหลังที่แข็งแกร่งที่สุดในหมู่วิธีการที่ทดสอบ

นอกจากนี้ยังบรรลุคะแนนผู้คาดการณ์ทางสุนทรียศาสตร์ V2 ที่สูงที่สุดในหมู่วิธีการลบตัวละคร โดยมีค่า 5.18 ซึ่งแสดงให้เห็นว่าการรักษานี้ไม่ได้มาจากการเสียคุณภาพภาพโดยรวม

การทดสอบเชิงคุณภาพตามมา:

ผลการทดสอบเปรียบเทียบการลบตัวละครทั่วตัวละครแอนิเมชั่น 5 ตัว แต่ละแถวแสดงถึงผลลัพธ์จากวิธีการที่แตกต่างกัน โดยมีการสร้างภาพดั้งเดิมจาก Stable Diffusion v1.4 ที่ด้านบนและวิธีการที่เสนอที่ด้านล่าง วิธีการที่เสนอแทนที่ตัวละครเป้าหมายได้อย่างสม่ำเสมอ ในขณะที่รักษาสภาพแวดล้อมโดยรอบ

ตามเอกสาร ตัวอย่างแสดงถึงความแตกต่างที่ชัดเจนโดยเฉพาะสำหรับตัวละครที่มีรูปร่างและคุณลักษณะที่ซับซ้อน โดยอ้างถึง Donald Duck และ Super Mario เป็นตัวอย่าง:

‘[วิธีการของเรา] ประสบความสำเร็จในการลบตัวละครแอนิเมชั่นอย่างไม่มีข้อบกพร่อง โดยใช้錨ที่ได้รับการปรับให้เหมาะสม ในขณะที่บรรทัดฐานที่ขึ้นอยู่กับคำสั่งบ่อยครั้งล้มเหลว – โดยเฉพาะสำหรับตัวละครที่มีรูปร่างและคุณลักษณะที่ซับซ้อน (เช่น Donald Duck และ Super Mario)

‘นอกจากนี้ วิธีการของเรายังบรรลุความสอดคล้องของพื้นหลังโดยไม่มีผลกระทบของการเบลอหรือการบิดเบือน ที่รองรับกระบวนการสร้างสรรค์แบบเรียงซ้อน’

การควบคุมแบบละเอียด

พื้นที่การฝังที่ต่อเนื่องกันทำให้สามารถปรับระดับการลบตัวละครได้ ไม่ใช่การลบแบบเป็นหรือไม่เป็น ด้วยการแทรกแซงระหว่าง錨ที่ได้รับการปรับให้เหมาะสมและการฝังตัวละครเป้าหมายดั้งเดิม วิธีการนี้สามารถคืนค่าตัวละครได้มากขึ้น ในขณะที่ยังคงรักษาโครงสร้างภาพที่อยู่รอบๆ ไว้:

ภาพทดสอบที่แสดงถึงระดับการลบตัวละครที่แตกต่างกัน คอลัมน์แรกสามคอลัมน์แสดงตัวละครดั้งเดิม ตัวละครที่ถูกลบออก และคุณลักษณะที่ถูกลบออก คอลัมน์ที่เหลือแสดงการตั้งค่าระหว่างที่ α=0.25, 0.5 และ 0.75 ค่า α ที่สูงขึ้นจะรักษาตัวละครดั้งเดิมมากขึ้น

ตามที่แสดงด้านบน ผู้เขียนทดสอบการควบคุมนี้กับตัวละคร Winnie the Pooh; Olaf; Minnie Mouse; และ Stitch ความคล้ายคลึงกันทางโครงสร้างยังคงเสถียรเมื่อความเข้มข้นของการฟื้นฟูเปลี่ยนแปลงไป ในขณะที่การระบุโดย LLaVA-1.5 และ BLIP-3 เพิ่มขึ้นเมื่อมีการฟื้นฟูตัวละครมากขึ้น

Winnie the Pooh และ Stitch กลายเป็นรู้จักได้ในช่วงระยะที่ค่อนข้างแคบ Olaf และ Minnie Mouse เปลี่ยนแปลงไปอย่างค่อยเป็นค่อยไป และ Minnie Mouse กลายเป็นรู้จักได้เมื่อมีการฟื้นฟูเพียงเล็กน้อย ซึ่งแสดงให้เห็นว่าความเข้มข้นในการลบที่เหมาะสมขึ้นอยู่กับ ตัวละครที่เป็นเป้าหมาย

การทดสอบเพิ่มเติมเพื่อแทนที่เป้าหมายหลายรายการในครั้งเดียวได้รับการดำเนินการ และเราขอแนะนำให้ผู้อ่านอ้างอิงเอกสารต้นฉบับสำหรับรายละเอียดเพิ่มเติมเกี่ยวกับผลลัพธ์เสริมเหล่านี้

สรุป

เช่นเดียวกับเสมอๆ การพัฒนาล่าสุดนี้ในเรื่องราวการรักษาความปลอดภัยของลิขสิทธิ์เทียบเท่ากับการปิดประตูเสถียรหลังจากที่ม้าได้หลบออกไปแล้ว

ในกรณีที่นักวิจัยและบริษัทต่างๆ ได้ พยายาม ที่จะระงับความสามารถของโมเดลในการผลิตภาพลามกอนาจารหรือภาพที่ไม่เหมาะสม โดยการปิดการเข้าถึงภายในไปยัง ‘เนื้อหาที่ไม่เหมาะสม’ ในชุดข้อมูล (เนื่องจากยังคงมีค่าใช้จ่ายสูงในการดูแลความถูกต้อง) โมเดลไม่สามารถ เข้าใจกายวิภาคของมนุษย์อย่างถูกต้อง อีกต่อไป

แนวทางใหม่ที่เสนอที่นี่คือการ ‘ตัด/ทำให้ไม่ระบุชื่อ’ ดาราหนังโป๊คนหนึ่ง ในกรณีที่ฟิลเตอร์ ‘ไม่เหมาะสม’ ถูกสร้างขึ้นสำหรับโมเดลที่ได้รับการฝึกอบรมจากเนื้อหาที่สแกนเว็บอย่างไม่เลือกปฏิบัติ สำหรับวิธีการใหม่นี้ การสร้าง ‘ตัวแทนแบบทั่วไป’ สำหรับตัวละครที่มีลิขสิทธิ์ต้อง ปล่อยให้โดเมนของซูเปอร์ฮีโร่ ไว้ในพื้นที่ 潛ของโมเดล และยิ่ง สำคัญ ตัวละครที่มีลิขสิทธิ์ที่เป็นเป้าหมายมากเท่าใด ก็จะ กำหนด โดเมนของมันในพื้นที่ที่ฝึกอบรมไว้นั้น

ดังนั้น การลบมันจึงเหมือนกับการพยายามเอาน้ำตาลออกจากกาแฟหลังจากที่ได้คนแล้ว

ดังนั้น แม้ว่าวิธีการนี้อาจประสบความสำเร็จในระดับหนึ่งหากถูกเพิ่มเข้าไปในไฟร์วอลล์ API ที่เพิ่มขึ้นของโมเดลแนวหน้า แต่ลักษณะที่เชื่อมโยงถึงกันของโมเดล GenAI แสดงให้เห็นทางประวัติศาสตร์ว่าเนื้อหาที่มีลิขสิทธิ์ที่วิธีการนี้มุ่งเป้าไปที่อาจยังคงสามารถเข้าถึงได้โดยใช้ความฉลาดของนักเขียนคำสั่ง

เผยแพร่ครั้งแรกวันศุกร์ 14 สิงหาคม 2026