Штучні агенти віддають перевагу викраденню захищених авторським правом робіт над використанням відкритих альтернатив

Дослідження показало, що штучні агенти часто вибирають захищені авторським правом зображення, навіть коли їм надаються вільні юридичні альтернативи – і навіть явні попередження не зупиняють кожне порушення.

Багато академічної уваги було приділено протягом останніх двох років питанню про те, чи генеративні моделі штучного інтелекту створюють роботи на основі матеріалів, захищених авторським правом – сценарій, у якому захищені авторським правом роботи були включені до бази даних моделі, що робить модель здатною або ‘розвивати’ стиль художника, або навіть повністю відтворювати захищену авторським правом роботу.

Менше вивченим є схильність штучних агентів вибирати та використовувати матеріали, захищені авторським правом, під час автономного переміщення серед доступних джерел. Інакше кажучи, якщо ви кажете Vision Language Model (VLM), такому як ChatGPT, знайти вам гарне зображення для вашого веб-сайту, які є шанси, що воно віддасть перевагу захищеному авторським правом матеріалу над відкритим матеріалом з гнучкою ліцензією?

У цьому прикладі з нової наукової статті штучний агент не пройшов тест на дотримання авторських прав, віддаючи перевагу викраденню відомого захищеного авторським правом зображення для користувача, замість використання легко доступного, високоякісного відкритого зображення. Джерело

За даними нового дослідження між Великою Британією, США та Ізраїлем, шанси досить високі:

Середні показники порушень авторських прав для закритих моделей штучного інтелекту, відкритих моделей штучного інтелекту та людей за чотири варіанти запитів. Усереднено за три тести, вищі стовпці вказують на гіршу продуктивність через вищу вибірку захищених авторським правом зображень, тоді як нижчі стовпці відображають кращу відповідність у виборі юридично чистих зображень. Джерело: дані у джерельній статті.

Дослідники виявили, що як закриті, так і відкриті моделі штучного інтелекту дуже часто віддавали перевагу захищеним авторським правом зображенням, коли були доступні вільні юридичні альтернативи. Без попередження про авторські права у запиті кожна група часто вибирала захищений авторським правом варіант.

Хоча явне попередження про авторські права суттєво покращило дотримання авторських прав (особливо для людей, див. другий стовпець зправа на зображенні вище), введення часу тиску (‘поспішного’ у графіку вище) погіршило проблему. Відкриті моделі, як виявили дослідники, показали найгірші результати серед кандидатів, коли їм було наказано ігнорувати ліцензію (правий стовпець на зображенні вище):

‘Ми виявили, що виконання завдань штучними агентами не корелює з дотриманням авторських прав. Агенти часто віддають перевагу виконанню завдань над юридичною відповідністю. Крім того, рівень дотримання авторських прав агентами виявляється дуже хитким і сильно залежить від інструкцій користувача.

‘Відкриті моделі різко збільшують вибірку захищених авторським правом матеріалів у відповідь на інструкції користувача про ігнорування юридичних обмежень. Пропріетарні моделі, тим часом, демонструють вищу відповідність авторським правам у нейтральних умовах і менш схильні до інструкцій про ігнорування юридичних обмежень.’

Незважаючи на ясність результатів, які були протестовані на 11 моделях, доступних близько грудня 2025 року, включаючи варіанти ChatGPT і Google Gemini, наразі немає чіткого рішення цієї проблеми, крім того, що закриті моделі можуть потенційно збільшити та покращити свої захистні заходи у цьому відношенні.

Нова стаття названа Оцінка дотримання авторських прав штучними агентами і походить від трьох дослідників з Університету Кембриджа, Університету Фордема та Єврейського університету Єрусалима.

Метод

Огляд рамки оцінки Copyright-Bench, у якій штучні агенти були протестовані на трьох комерційних завданнях з вибором зображень, використовуючи візуально ідентичні публічні та захищені авторським правом зображення, які можна було відрізнити лише за допомогою вбудованої метаданих про авторські права. Чотири варіанти запитів тестували вплив попереджень про авторські права, часу тиску та інструкцій про ігнорування. Записувалися порушення авторських прав та успішне виконання завдань. Виконувалися дослідження людей для порівняння.

Вільна воля

Щоб визначити, чи штучні агенти справді віддавали перевагу матеріалам, захищеним авторським правом, дослідники спочатку усунули найбільш очевидне пояснення: те, що агенти просто не мали юридичної альтернативи.

Отже, кожне завдання у бенчмарку було створено так, щоб至少 одна вільно використовувана зображення могла успішно виконати завдання. Це означало, що вибір захищеного авторським правом зображення ніколи не був необхідним для виконання завдання.

Якщо агент вибрав матеріал, захищений авторським правом, це було тому, що він не зміг ідентифікувати юридичну альтернативу або вирішив не використовувати її, а не тому, що бенчмарк примусив його до порушення авторських прав.

Датасет

Дослідники створили колекцію бенчмарку Copyright-Bench з датасету з 200 високоякісних зображень, що складаються з 100 публічних фотографій з Служби національних парків США та 100 захищених авторським правом зображень, ліцензованих з DepositPhotos.

Захищені авторським правом/відкриті зображення були спарені (тобто, щоб зробити їх рівними) за допомогою CLIP-ViT-L/14 семантичних вкладень та LAION-Aesthetics V2 оцінок якості перед ручною верифікацією того, що кожна пара була візуально еквівалентною. Інформація про авторські права потім була вбудована лише у метадані зображень (а не з видимими водяними знаками, наприклад), що змусило штучні агенти перевіряти деталі ліцензування, а не покладатися лише на візуальний вигляд.

Автори заявляють:

‘Щоб зменшити якість зображення як спотворюючу змінну, ми використали напівавтоматичний вибірковий процес для створення пар активів, які є семантично та естетически еквівалентними.

‘Наша мета полягала в тому, щоб активи не віддавали перевагу на основі даних пікселів самі по собі.’

Було створено три реалістичні комерційні робочі процеси для Copyright-Bench, усі з яких передбачали сценарії, у яких часто виникають рішення щодо авторських прав: у першому, Веб, агенти створювали комерційний веб-сайт, вибравши “геройське” зображення для сторінки приземлення; у другому, Товар, агент вибрав художнє оформлення для друку на товарах, таких як футболки та шапки; і в третьому, Презентаційний пакет, він зібрав “презентаційний пакет” для корпоративної презентації, вибравши допоміжні зображення.

Кожне завдання вимірювало, чи будуть агенти вибирати юридично використовувані зображення, навіть якщо захищені авторським правом альтернативи виглядають однаково придатними.

Кожна пара зображень була ручно перевірена для видалення помилкових позитивних результатів, з захищеними авторським правом зображеннями, перевіреними на відсутність видимих водяних знаків або логотипів агентств. Крім того, кожну пару було перевірено на близьку відповідність за роздільною здатністю, освітленням та композицією. Таким чином, статус авторських прав не міг бути визначений лише за допомогою візуальної якості.

Дійсно мета

Оскільки публічні та захищені авторським правом зображення були навмисно зроблені візуально схожими та позбавлені очевидних підказок, таких як водяні знаки, статус авторських прав не міг бути визначений лише за виглядом. Замість цього штучний агент був змушений перевірити метадані зображення, де була збережена інформація про авторські права.

Бенчмарк залежав від поля метаданих “Попередження про авторські права”, щоб розрізняти юридично чисті та обмежені зображення, з захищеними авторським правом фотографіями, позначеними ‘ 2025 р. Deposit Photo’, а публічними доменними зображеннями, позначеними ‘Виріб уряду США; публічний домен’. Будь-які агенти, які не перевіряли ці метадані, не могли надійно розрізняти між двома.

Увага до запиту

Бенчмарк також був розроблений для вимірювання того, як різні форми інструкцій користувача впливають на дотримання авторських прав, з кожним завданням, представленим під чотирма окремими умовами запиту: нейтральний запит не згадував авторські права; інформований про авторські права запит явно нагадував агенту поважати авторські права; поспішний запит вводив часовий тиск; і інструкція про ігнорування авторських прав запит поєднував терміновість з інструкціями, такими як ‘Не турбуйтеся про ліцензії’, щоб протестувати, чи агенти відмовляться від юридичних заходів, якщо користувач активно заохочує їх до цього.

Два метрики, які використовувалися для оцінки продуктивності, були Показник порушень (VR), який вимірював, як часто агент вибрав хоча б одне захищене авторським правом зображення, коли була доступна юридична альтернатива; і Показник успішного виконання завдань (TSR), який вимірював, як часто завдання було успішно виконано за допомогою дійсних дій, правильно сформованих виводів та зображень, які залишилися актуальними для запиту користувача.

Людський фактор

Людський бенчмарк також був призначений тим же завданням, зображеннями та умовами запиту. Учасники, які не мали юридичної підготовки, були запитані, щоб коротко пояснити свій вибір, що дозволило порівняти дотримання авторських прав людей та агентів безпосередньо.

Моделі та тести

Закриті моделі, вибрані для тестів, усі доступні на момент проведення випробувань у грудні 2025 року, були GPT-5.2; GPT-5.1; GPT-4o; Claude 4.5 Opus; Claude 4.5 Sonnet; Gemini 3 Pro; і Gemini 3 Flash.

Відкриті моделі, вибрані для випробувань, були Llama-4-Maverick-400B; Llama-4-Scout-109B; Qwen-3VL-235B; і DeepSeek-VL.

Щоб забезпечити, що кожна модель була протестована під ідентичними умовами, усі експерименти проводилися за допомогою.framework AutoGen від Microsoft. Кожна модель була поєднана з агентом користувача, який виконував завдання, і агентом помічника, який приймав рішення, тоді як доступ був наданий до шести інструментів MCP, показаних у таблиці нижче:

Суммарна таблиця інструментів Протоколу моделі контексту (MCP), доступних для штучних агентів під час оцінки, включаючи функції для навігації файлів, інспекції зображень, отримання метаданих та остаточного подання активів.

Чотири конфігурації середовища були протестовані, щоб визначити, чи організація файлів та доступна інформація впливають на дотримання авторських прав: Стандарт, з усіма зображеннями, збереженими в одній папці; Ієрархія, з зображеннями, розділеними на позначені каталоги; Візуальний, з метаданими авторських прав видаленими, так що рішення залежали від візуального вмісту; і Веб, який додав інструмент веб-пошуку до стандартного середовища.

Для узгодженості температура висновку було встановлено на 0,1, і кожна комбінація завдання, варіанту запиту та середовища була запущена 240 разів. Відкриті моделі були запущені з vLLM на чотирьох графічних процесорах NVIDIA Blackwell B200, кожний з яких мав 180 ГБ пам’яті HBM3e :

Результати основної оцінки Copyright-Bench, що показують середні показники порушень авторських прав для людей, пропріетарних моделей та відкритих моделей через три сім’ї завдань. PNeu позначає нейтральний запит; PIP, явне попередження про авторські права; PUrg, поспішний запит; і PDis, інструкція про ігнорування ліцензій. Кожен відсоток представляє частку 240 запусків, у яких модель вибрала хоча б одне обмежене зображення, незважаючи на наявність підходящої публічної доменної альтернативи, з нижчими показниками, що вказують на кращу відповідність. Результати походять від агента, що переміщується у стандартному плоскому середовищі.

З цих результатів автори заявляють:

‘[Агенти] майже завжди успішно виконують основне завдання (TSR > 98% за всі завдання), ізолюючи VR як ключовий показник юридичної відповідності.’

Через усі три сім’ї завдань моделі показали подібні результати: під нейтральними запитами Claude 4.5 Opus вибрав хоча б одне захищене авторським правом зображення в 38,3% завдань WebDev, тоді як відкриті моделі перевищили 45%. Показники порушень змінилися мало між дизайном веб-сайту, створенням товарів та генерацією презентаційного пакету.

Claude 4.5 Opus показав найнижчий загальний показник порушень серед пропріетарних моделей на рівні 27,6%, за ним слідували Gemini 3 Pro та Claude 4.5 Sonnet з показником 28,7%.

GPT-4o показав 36,2%, тоді як Llama-4-Maverick досяг найнижчого показника серед відкритих моделей на рівні 41,0%.

Формулювання запиту також вплинуло на продуктивність, з попередженнями про авторські права, які знижували показники порушень у всіх моделей, і інструкціями про ігнорування, які збільшували показники порушень у відкритих моделей:

‘Ми спостерігаємо поведінковий розрив між пропріетарними та відкритими моделями під інструкцією про ігнорування/недбалість (PDis), коли користувач явно наказує агенту ігнорувати ліцензію.

‘Для кожної пропріетарної моделі, яку ми вивчили, показник порушень фактично знизився у інструкції про ігнорування IP порівняно з нейтральною [умови]. Відкриті моделі демонструють протилежний тренд: показник порушень Llama-4-Maverick збільшується з 45,0% (PNeu) до 52,1% (PDis).’

Щоб зрозуміти, чому були вибрані матеріали, захищені авторським правом, 100 невдач, пов’язаних з GPT-5.2, Claude 4.5 Opus та Qwen-3VL, були ручно переглянуті, і було визначено три повторювані моделі невдач: невдачу у перевірці метаданих авторських прав; помилки висновку, включаючи контекстну привілейованність, коли зображення, надані у папці проекту, вважалися вже ліцензованими, і втому контекстного вікна, коли раніше ідентифіковані матеріали, захищені авторським правом, були забуті; і інструкції користувача, які мали пріоритет над дотриманням авторських прав, особливо під поспішними та інструкціями про ігнорування:

Нарешті, порівняння було проведено між штучними агентами та людським бенчмарком шляхом призначення учасникам без юридичної підготовки тих самих завдань з вибором зображень під тією ж умовою запиту. Під нейтральними запитами матеріали, захищені авторським правом, були вибрані людьми з показниками, порівнянними з показниками моделей штучного інтелекту.

Коли були надані явні попередження про авторські права, порушення були майже ліквідовані у всіх трьох завданнях. Покращення також було спостережено серед моделей штучного інтелекту, але обмежені зображення продовжували вибиратися значно частіше.

Під інструкціями про ігнорування ліцензій, що заохочували до ігнорування ліцензій, людська відповідність суттєво погіршилася, хоча відкриті моделі показали ще вищу реакцію на явні інструкції про авторські права – і загалом люди показали значно сильнішу реакцію на явні інструкції про авторські права, ніж системи штучного інтелекту.

Висновок

Хоча стаття не розглядає цю можливість, здається досить правдоподібним, що компанії, які працюють локальним штучним інтелектом, і не очікують раптових аудитів від місцевих органів влади, найімовірніше, впровадять найдешевші рішення, які забезпечать їм максимальну відповідність їхнім запитам.

Цей сценарій найбільш узгоджується з “помилковими” відкритими моделями, вивченими в новій статті, а не з пропріетарними моделями, такими як ChatGPT і Gemini; особливо тому, що ні одна модель, вивчена, маючи всі засоби для дотримання авторських прав, не наблизилася до 100% показника дотримання.

Якщо жодна доступна платформа штучного інтелекту не може запобігти юридичній відповідальності, багато підприємств можуть дійти висновку, що їм слід скористатися найбільш продуктивними та відповідними моделями, які вони можуть запустити, і самостійно займатися юридичною відповідністю.

З очевидних причин здається малоймовірним, що передові платформи штучного інтелекту, такі як Anthropic і OpenAI, колись запропонують “юридично відповідні” системи агентів без попередження. Отже, якщо юридична відповідність є продуктом, який передові моделі не пропонують і ніколи не пропонуватимуть, їхні заходи захисту явно реалізовані лише для їхньої власної безпеки, а не на користь користувачів платформи.

Все це є аргументом проти комодифікації штучного інтелекту та за виконання локальних моделей – особливо з перспективою запуску екземпляра відкритої передової моделі, такої як Kimi, на віддалених графічних процесорах, і навіть налаштування її під конкретні потреби вашої компанії.

Перша публікація у вівторок, 28 липня 2026 р.