Claude'un metin filigranı nasıl çalışıyor

Gelecekteki Claude modelleri, bir filigran içeren metin üretecek. Bu, Claude'un metni yazma olasılığını belirlemek için bir yöntemdir ve biz de diğer birçok büyük yapay zekâ sağlayıcısı gibi, AB Yapay Zekâ Yasası'na uymak için bu değişikliği uygulamaktayız.

Bu makalede, filigranlama yöntemimizin nasıl çalıştığı, Claude'un çıktılarını etkileyip etkilemediği ve neden bu değişikliği yaptığımız hakkında aldığımız soruların yanıtlarını paylaşıyoruz. Kısaca özetlemek gerekirse:

• Claude'un çıktılarının kalitesi veya içeriği üzerinde pratik bir etkisi olmayan bir filigranlama yöntemi kullanıyoruz;
• Filigranlı ve filigransız metin arasındaki fark okuyucular tarafından ayırt edilemeyecek;
• Metne hiçbir şey eklenmez ve gizli karakterler yoktur;
• Filigranlama ek token gerektirmez ve daha pahalı olmayacak;
• Filigranlama tanımlayıcı bilgi taşımaz ve belirli bir kişiye, kuruluşa veya sohbete izlenmez;
• Filigranlama Claude'a özgü değil. 2 Ağustos itibariyle AB, pazarına hizmet veren yapay zekâ sağlayıcılarının yapay zekâ tarafından oluşturulan içeriği işaretlemesini gerektiriyor. Diğer büyük model geliştiricileri de aynı Davranış Kuralları'nı imzalamış ve kendi filigranlama yöntemlerini uygulayacak.

Claude gibi büyük dil modelleri, bir seferde bir kelime üretilerek çalışır. Model bir sonraki kelimeyi her belirlendiğinde, potansiyel adayların bir listesi arasında seçim yapar ve sonunda önceki metne dayanarak en mantıklı veya olası olanı seçer. "Bugünkü hava soğuk ve..." cümlesini düşünün. Bir sonraki kelime "şekerli" olması çok düşük bir olasılık taşır. Ancak "bulutlu" veya "gri" olması oldukça olasıdır. Çoğu durumda, modelin sonuçta bu ikinci iki kelimeden hangisini seçmesi okuyucu için çok önemli değildir—cümlenin anlamı her iki durumda da büyük ölçüde aynıdır. Bunun gibi durumlarda, seçim rastgele bir sayı ile belirlenir.

Filigranlama, oluşturulan bir metin parçası boyunca birçok kez meydana gelen bu düşük çıktılı seçimleri kullanarak, Claude'un yanıtlarında bir desen bırakır. Bu desen okuyucu tarafından tespit edilemez, ancak onu kodlayan bir anahtarı olan herhangi biri tarafından tespit edilebilir. Filigranlama kullanıldığında, seçimler yine de rastgele yapılır, ancak rastgeleliğin kaynağı farklıdır. Bir sonraki kelimeyi seçmek için keyfi bir rastgele sayı oluşturucu kullanmak yerine, filigranlama anahtar ve önceki birkaç kelimeyi kullanarak modelin hangi kelimeyi seçmesi gerektiğini belirler. Yani, Claude'un seçtiği kelimeler yine de rastgeledir, ancak şimdi, kelime dizisini kontrol edebilir ve bunun Claude'un anahtarı kullanıyorsa yapacağı seçimlerle tutarlı olup olmadığını görebilirsiniz. Eğer tutarlıysa, metnin Claude tarafından oluşturulmuş olma olasılığını atayabilirsiniz.

Önemlisi, model şimdi her zaman bulutlu veya gri yönünde sapkın olmayacak. Filigransız metinde olduğu gibi, bulutlu bir cümlede, gri bir sonraki cümlede seçilebilir, önceki kelimelere bağlı olarak. Ve filigranlama yöntemi Claude'u aksi takdirde göz önüne almayacağı bir kelimeyi seçmeye zorlamaz (örneğin, Claude'u normal koşullarda hemen hemen kesinlikle kullanmayacağı "bulutlu" veya "gri" için belirsiz bir eş anlamlı olan "nubilous" gibi bir kelimeyi seçmeye zorlamaz).

Filigranlama, Claude'un çıktısının kalitesini etkilemez. Bir okuyucu için, filigranlı bir yanıt, filigransız bir yanıttan ayırt edilemez (bu şekilde, yapay zekâ filigranlama, banknotlar, diğer fiziksel nesneler ve bazı dijital belgeler üzerindeki ad kopyaları olan ve çıplak gözle görülebilen olan markalarından önemli ölçüde farklıdır).

İç testlerde, filigranlama Claude'un metninin içeriği, yaratıcılık düzeyi veya okunabilirliği üzerinde hiçbir etkisi gözlemledik. Kullandığımız tekniği tanıtan SynthID-Text makalesinde, Google DeepMind, bu etkiyi, Gemini trafiğinin bir kısmına filigranlama kullanan bir modeli sunarak ve başparmak yukarı ve başparmak aşağı puanlarını karşılaştırarak test etti. Filigransız modellerden istatistiksel olarak anlamlı bir fark bulamadılar. Ve kontrollü bir çalışmada, filigranlı ve filigransız cevapları yan yana karşılaştıran insan değerlendiriciler kalitede bir fark görmedi.

Faydalı bir analoji, Monopoly gibi bir oyun oynadığınızı hayal etmektir. Her turda, her oyuncu bir zarın atılmasına göre tahtanın etrafında rastgele sayıda boşluk hareket ettirir. Bunun yerine, bu rastgeleliği almak için zar atmak yerine, pi rakamlarının bir kitabını kullanmaya karar vermiş olduğumuzu varsayın. Rastgele seçilen bir rakamdan başlarız (diyelim ki, ondalık noktadan sonra 1.012.845. rakam olan 6), ve bu noktadan sonra her oyuncu basitçe dizi içinde bir sonraki rakamını bir sonraki "zar" olarak kullanır.

Her açıdan, hamle yine de rastgeledir: oyuncuların veya oyunun sonucunun—rastgeleliğin pi'den veya zarların atılmasından gelip gelmediğini önemli değildir. Ancak oyundan sonra tüm hamlelerin sırasını görebilseydik (ve pi'nin değerini biliyor olsaydık), bunun muhtemelen hamlelerini belirlemek için pi'yi kullanan bir oyun olup olmadığını görebilirdik. Pi kullanan oyun, bir anlamda, "filigranlıdır".

Claude tarafından oluşturulan metin için de aynı şey geçerlidir. Filigranlama, onu okuyan kişi için anlamı veya deneyimi değiştirmez, ancak daha sonra metnin muhtemelen Claude tarafından oluşturulmuş olup olmadığını kontrol etmek isteseydiniz, filigran bunu yapmanızı sağlar.

Claude'un metin filigranı, Google DeepMind tarafından 2024 yılında Nature makalesinde yayınlanan SynthID-Text yaklaşımının bir versiyonudur. 2022'de Scott Aaronson tarafından yapılan bir teklife kadar uzanan ve hepsinin yukarıda açıkladığımız aynı tasarım ilkesini paylaşan bir yaklaşım ailesine aittir—filigran sadece kelimeler arasında seçim yapmak için kullanılan rastgeleliğin kaynağını değiştirir.

Filigranlama etkinliğinin sınırlamaları vardır. Anahtarımızı kullanarak, "Bunun kısmen Claude tarafından yazılmış olma olasılığı nedir?" sorusuna yalnızca cevap verebilirsiniz. İnsan tarafından yazılmış olup olmadığını onaylamaz ve metnin farklı bir yapay zekâ tarafından yazılıp yazılmadığını söyleyemez (başka bir yapay zekâ bile filigranlama kullanıyorsa, farklı bir anahtara sahip olurdu; tamamen farklı bir filigranlama yöntemi de kullanabilir). Filigranın algılanması da küçük örneklerde iyi çalışmaz; burada daha az kelime seçeneği ve bu nedenle daha az bilgi vardır. Bir pasaj uzunluğu arttıkça, Claude'un katılımı hakkındaki güven de artar.

Filigranlama, metin doğruluğunu düşürmeden yapılabilecek daha az seçeneğin bulunduğu olgusal pasajlarda daha seyrekdir. Örneğin, "Isaac Newton'un en ünlü eseri Principia olarak adlandırılmıştır..." cümlesini düşünün. Bir sonraki kelime Mathematica" olup olmadığı (tek doğru cevap olur), bu nedenle filigran etki edecek bir şey olmayacak. Düzeltme için de aynı durum geçerli. Eğer Claude'a bir kişi tarafından yazılmış bir metin verip bunu yapacak şekilde isteseydiniz sadece gramer ve noktalama düzeltmesi yapmak ve başka hiçbir şey değil, filigran sadece bir avuç düzeltmede yaşayabilir; bu da kaydedilmek için çok az olabilir.

Filigranlama sadece Claude'un seçtiği sözcüklere uygulanır. Claude bir kişi tarafından yazılmış metni düzeltirken, geri aldığı metin genellikle yalnızca hafif şekilde düzenlenir; neredeyse tüm kelimeler kişiye ait olduğundan, filigranın bağlanması için çok az (varsa) bir şey vardır. Metnin uzunluğuna ve Claude'un ne kadar yoğun bir şekilde düzenlemişine bağlı olarak, bu değişiklikler Claude'un katılımını tespit etmek için yeterli olmayabilir. Claude ne kadar çok yazarsa, o kadar çok karar vermek zorunda kalır ve bir filigranın yaşayabileceği yer o kadar çok olur.

Yukarıda belirttiğimiz gibi, yapay zekâ filigranlamı, kelimenin tam çıktısı gerekli olan—bir seçim olmayan ve farklı bir terim seçilirse bir şey gerçek olmayacak veya bir kod parçası kırılacak durumlarda, filigran uygulanmaz.

Örneğin, model "2 + 2 =" yazıp bir kez daha açık bir şekilde en iyi seçim için bir sonraki token için vardır (eğer model toplamı tamamlıyorsa, "4" kadar eşit olarak iyi bir cevap yoktur; George Orwell'in On Dokuz Seksen Dört'ten bahsediyorsa, "5" kadar eşit olarak iyi bir cevap yoktur). Filigranın "itme" burada uygulanmayacak. Aynı nedenle, çoğu durumda tam olması gereken kod—diğer metin biçimlerinden daha az filigran vardır.

Bunun söylenmiş olmasına rağmen, kod içinde belirli sözcükler veya terimler arasında keyfi bir seçim olduğu alanlarda, filigranlama kullanılabilir; örneğin, kodun içindeki yorumlar gibi. Ancak tanım gereği, oluşturulan gerçek kod üzerinde ihmal edilebilir bir etkiye sahip olacak.

Hayır. Filigranlama, modellerin hızı üzerinde ihmal edilebilir bir etkiye sahiptir ve hiçbir extra token üretmediğinden, model hizmet etmesi ve kullanmada aynı fiyata sahiptir.

Hayır. Filigranlama, Claude ve onun çıktılarına uygulanır. Bireysel kullanıcılarla ilgili herhangi bir şeyi tanımlamaz. Filigranın içinde veya anahtarında, kullanıcı, kuruluş veya Claude ile olan sohbetleri hakkında herhangi bir bilgi kurtarmaya izin verecek hiçbir şey yoktur.

AB Yapay Zekâ Yasası'na uymak için filigranlama uygulamaktayız. Anthropic, diğer birçok büyük yapay zekâ modeli sağlayıcısı ve toplamda yaklaşık 190 imza sahibi ile birlikte, Temmuz 2026'da AB Yapay Zekâ Tarafından Oluşturulan İçerik Şeffaflığı Davranış Kuralları'nı imzalamıştır. Bu, yapay zekâ sistem sağlayıcılarının yapay zekâ tarafından oluşturulan metinleri "işaretlemesi" yöntemlerini kullanmasını gerektirir. Henüz bölgeye göre kapsamı yapmanın dayanıklı bir yolu olmadığı için, filigranlama genel olarak lansmanında uygulanmaktayız. Ancak, farklı yaklaşımları değerlendirmeye devam edeceğiz ve güncellemeler paylaşacağız.

Birinci vakit bir filigran algılama API'sı sunmak olacak. Bunun uygulanması ayrıntılarını çözmek üzerinde çalışıyoruz.

Claude desteklenen bir tür dosya oluşturduğunda (örneğin, bir .png, .jpg veya .svg gibi), dosyanın meta verilerinde Claude ile yapılmış veya işlenmiş olduğunu söyleyen küçük, şifreli olarak imzalı bir not şeklinde bir içerik kimliği ekleneceği. Bu, kamera üreticileri tarafından kullanılan ve fotoğraf düzenleme yazılımında bir görüntünün nereden geldiğini kaydetmek için kullanılan C2PA adlı açık bir endüstri standardıdır. Herhangi bir C2PA farkında araç onu okuyabilir; kendi sunacağız, burada bir dosya bırakıp kontrol edebilirsiniz.

Bu meta veri etiketi, bir filigranddan çok farklıdır. Dosyadaki hiçbir şey değişmez—gömülü veya gizli değildir. Metinde olduğu gibi, kimlik bilgisi sadece Claude'un dosyayı üretmekte yer aldığını söyler; tanımlayıcı bilgi içermez.

Bir ölçüde, evet. Hafif düzenleme muhtemelen filigranı tamamen kaldırmayacak; her kelimenin değiştirildiği tam bir yeniden yazı olacak. İkinci durumda, tabii ki, metin artık yapay zekâ tarafından oluşturulan olarak tanımlanabilir olup olmadığı tartışmalıdır.

Bir filigran, Claude'un içerikle bir noktada yer almış olma ihtimalinin yüksek olması belirleyebilir. "Claude bunu yazdı" ile "Claude bunu ağır bir şekilde düzenlemişti" arasında ayrım yapamaz.

Evet. Claude tarafından üretilen bir çeviri, filigran taşır; çünkü bu durumda her kelime Claude tarafından seçilir.

AB yasası, 2 Ağustos 2026'dan önce başlatılan Anthropic modelleri için bir geçiş dönemini içerir ve bu modeller için de filigranlama eklemeye çalışıyoruz. Bu, önümüzdeki aylarda kullanıma sunulacak.

Yapay zekâ algılama yazılımı, sağlayıcı şirketlerin bizim anahtarımız olmadığı için farklı bir yöntem kullanır. Diğer şeyler arasında, bu hizmetler metin yönleri gibi, genellikle yapay zekânın ifadelerinde görünen incelik (ve açık olmayan) "göstergeleri" görünüyor. Örneğin, yapay zekâ modelleri "bu [X] değil, bu [Y]" inşasını sevmek için görünüyor ve "sessizce" kelimesini bekleyebileceğinizden çok daha fazla kullanıyor. Bu desenleri almak, bir filigranı kontrol etmekten temelden farklıdır.

Hayır. Bir filigran, Claude'un içeriği veya dosyayı üretmiş veya işlemiş olup olmayabileceğini test etmeye yardımcı olur. Sahiplik veya yazarlık hakkında hiçbir şey söylemez ve bizim şartlarımızın altında kullanıcının haklarını değiştirmez. Filigranı yalnızca Claude'un içeriği veya dosyayı işlemeyle ilgili olduğu zaman uygulamaktayız.