👁 456

最近 GitHub 上有个项目挺火——guillaumemeyer/watermarks-remover，16.4k Star、1.9k Fork，MIT 协议。名字直白：给 AI 内容去掉水印。注意，这里说的不是图片上的可见水印，而是「AI 溯源印记」，英文叫 provenance marks。

AI 内容身上到底有什么「记号」

现在主流大模型生成的内容，多多少少带着三类痕迹：

  1. 隐形 Unicode 字符：零宽空格、特殊空格、双向控制符（bidi）、标签字符。肉眼完全看不见，但检测工具一抓一个准。
  2. 统计水印：采样时按某种规则（比如 Kirchenbauer 的「绿名单」、Gumbel-EXP）偷偷改变 token 概率分布，事后用密钥一验就知道是哪个模型写的。
  3. 文件元数据：C2PA 清单、EXIF、XMP、文档属性——图片/PDF/Word/视频里直接写了「这是 AI 生成」以及生成工具信息。

Claude、Gemini（SynthID-Text）、OpenAI 的 provenance 体系，全都在这个项目覆盖范围内。它最早叫 remove-claude-marks，后来扩展成多厂商版，改名 watermarks-remover。

watermarks-remover 架构思维导图
watermarks-remover 项目思维导图：三层处理、架构与边界

它是怎么干的

三层设计思路很清晰：

  • A 层（文本字符）：确定性 Python 脚本，扫掉隐形 Unicode 和奇怪字符，不依赖任何模型。
  • B 层（统计水印）：靠 Agent 对文本做改写（rewrite），可选 rewrite_text.py 钩子——因为 token 水印的本质是「概率分布指纹」，大改一遍就破坏了。
  • 文件层：20 多种格式全覆盖，PNG/JPEG/WebP/AVIF/HEIC/BMP/GIF/TIFF/SVG/PDF/DOCX/XLSX/PPTX/EPUB/ODT/HTML/Markdown，连 MP4/MOV/M4A/WAV/MP3 音视频都管。PDF 是重灾区，需要 qpdf 做结构性重建才算真干净。

架构上它做了一个 Agent Skill（薄客户端，只有 Markdown 说明、不含代码），真正干活的是本地 HTTP 服务（纯 Python 标准库，默认 127.0.0.1:8765，零依赖零 Docker）。模型/Agent 只要学会调用技能，就自动走 HTTP 完成检测和清理。可选的 c2patool（查 C2PA 清单）、exiftool（残留元数据）、qpdf（PDF 重建）检测到就自动用。

一些有意思的细节

  • 检测和清理是分开的（/detect 端点）：你可以只评分，看一张图 SynthID 像素分有多高，不动文件。
  • 像素级水印（SynthID-class、StegaStamp、Tree-Ring）有可选后端 CtrlRegen——ICLR 2025 的方法，用 ControlNet + DINOv2 做可控再生成，默认强度 0.25，保守优先，因为「去太重 = 等于重画一遍图」。
  • 安全设计很扎实：文本工具拒绝二进制输入，未知格式绝不自动清理，API Key 只从环境变量读、绝不进命令行参数。

我的看法

这类工具的争议点永远在「边界」。项目作者反复强调：只用于清理你自己拥有的内容——比如你自己用 AI 写的东西，分享出去不想被平台打上「AI 生成」的标签，或者不想让 C2PA 把个人信息跟着文件到处跑。这属于隐私和「内容卫生」。

但拿它去抹掉别人的版权水印或作者署名，就是另一回事了，既违背开源社区的预期，也有法律风险。工具本身中立，用在哪里是人的选择。

GitHub 上相关的研究很多，比如《Watermarking Makes Language Models Radioactive》（水印会「辐射」到下游模型）、《Watermarks in the Sand》（强水印在生成模型上的不可能三角），项目里都列了出处，能看出作者是真懂这块领域，不是蹭热点的玩具工程。

一句话总结：AI 生成内容正在被大规模打标，而这个项目给了普通人「擦掉自己指纹」的能力。要不要用、怎么用，取决于你对自己的内容有多在意。

by 数码罗记·godsun.pro

阅读： 456