AI టెక్స్ట్ వాటర్‌మార్క్‌లు: దాచిన అక్షరాలు వర్సస్ టోకెన్-ఎంపిక గుర్తులు
AI టెక్స్ట్ వాటర్‌మార్క్‌లు రెండు రూపాల్లో వస్తాయి, మరియు వాటిలో ఒకటి మాత్రమే మీరు తొలగించగల అక్షరాలతో ఉంటుంది.
| వాటర్‌మార్క్ రకం | ఇది ఎక్కడ ఉంటుంది | ఈ సాధనానికి కనిపిస్తుంది | ఈ సాధనంతో తొలగించదగినది |
|---|---|---|---|
| దాచిన అక్షర గుర్తులు | టెక్స్ట్ బైట్‌లలో, కనిపించని లేదా అసాధారణ కోడ్ పాయింట్లుగా | అవును | అవును |
| టోకెన్-ఎంపిక గుర్తులు | పద ఎంపికలలోనే | కాదు | కాదు |
దాచిన అక్షర గుర్తులు మీ టెక్స్ట్ ఎడిటర్ నిల్వ చేసే, స్క్రీన్ ఎప్పుడూ గీయని కోడ్ పాయింట్లు.
టోకెన్-ఎంపిక గుర్తులు మోడల్ ప్రతి దశలో ఏ పదం ఎంచుకుందో అందులోనే ఉంటాయి, కాబట్టి కనుగొనడానికి లేదా తొలగించడానికి అక్షరం ఉండదు. ఈరోజు టెక్స్ట్ అవుట్‌పుట్‌ను గుర్తించే ప్రతి AI సాధనం ఈ రకాన్నే వాడుతుంది.
యూనికోడ్ అక్షరాన్ని కనిపించనిదిగా ఏమి చేస్తుంది?
అక్షరం స్క్రీన్‌పై వెడల్పు తీసుకోనప్పుడు కనిపించనిది. యూనికోడ్ ఆ ప్రవర్తనను Default_Ignorable_Code_Point లక్షణం మరియు సాధారణ వర్గం Cf (అంటే format)తో నమోదు చేస్తుంది.
Default_Ignorable_Code_Point ఒక వ్యుత్పన్న లక్షణం, ప్రమాణం ప్రతి వెర్షన్‌కు DerivedCoreProperties.txtలో సాదా టెక్స్ట్ జాబితాగా ప్రచురితం. ఈ క్లీనర్ యూనికోడ్ 17.0పై పిన్ చేయబడింది — 9 సెప్టెంబర్ 2025న విడుదలైంది; 4,803 కొత్త అక్షరాలు చేరి మొత్తం ఎన్‌కోడ్ 159,801కి చేరింది.
నేను యూనికోడ్ 17.0 లక్షణ డేటా తీసి స్వయంగా లెక్కించాను. 4,174 కోడ్ పాయింట్లకు Default_Ignorable_Code_Point ఉంది, కానీ వాటిలో 405 మాత్రమే అసైన్ చేసిన అక్షరాలు. మిగిలిన 3,769 ఇంకా ఏమీ వాడని రిజర్వ్ స్లాట్‌లు. 405లో 256 వేరియేషన్ సెలెక్టర్లు మరియు 97 Tags బ్లాక్‌లో ఉన్నాయి — సాధారణ రచనలో కనిపించే 52 మిగులుతాయి.
అదే వెర్షన్‌లో Cf వర్గంలో 170 అక్షరాలు ఉన్నాయి. అందుకే "104 దాచిన అక్షరాలు" వంటి గుండ్రని మార్కెటింగ్ సంఖ్య ఒంటరిగా ఏమీ చెప్పదు. పక్కన యూనికోడ్ వెర్షన్ లేకపోతే సంఖ్యను ఏదైనా తో తనిఖీ చేయలేము.
టోకెన్-ఎంపిక వాటర్‌మార్క్‌లు అక్షర శుభ్రత తర్వాత కూడా ఎందుకు మిగులుతాయి?
టోకెన్-ఎంపిక — గణాంక వాటర్‌మార్క్ అని కూడా పిలుస్తారు — మోడల్ ఎంచుకున్న పదాల్లో నిల్వ అవుతుంది, కాబట్టి కనిపించని అక్షరాలు తొలగించడం గణాంక గుర్తులను శుభ్రం చేయదు.
ఇంటర్నెట్‌లో ఏ టెక్స్ట్ వాటర్‌మార్క్ క్లీనర్ కూడా టోకెన్ లేదా గణాంక ఎంపిక వాటర్‌మార్క్‌ను తొలగించలేదు, ఎందుకంటే AI సాధనాలు వాడే అల్గోరిథం స్వంతమైనది.
ChatGPT తన టెక్స్ట్‌లో వాటర్‌మార్క్ పెడుతుందా?
OpenAI చెబుతుంది కాదు. 20 ఏప్రిల్ 2025న Rumidocs GPT o3 మరియు o4 mini సమాధానాల్లో U+202F, NARROW NO-BREAK SPACE ఉందని నివేదించింది. OpenAI రెండు రోజుల తర్వాత సమాధానమిచ్చింది. అక్షరాలు "a quirk of large-scale reinforcement learning" మరియు వాటర్‌మార్క్ కావు. Rumidocs 23 ఏప్రిల్ 2025న ప్రత్యేక అక్షరాలు రావడం ఆగిపోయాయని అప్‌డేట్ చేసింది.
OpenAI 2024లో టెక్స్ట్ వాటర్‌మార్కింగ్ పద్ధతి నిర్మించి ఎప్పుడూ షిప్ చేయలేదు. దాని ప్రస్తుత provenance సహాయ వ్యాసం ఈరోజు సిగ్నల్ ఎక్కడ ఉందో చెబుతుంది: చిత్రాలకు C2PA Content Credentials మరియు SynthID, ఆడియోకు SynthID, టెక్స్ట్‌కు రెండూ కావు. అదే పేజీ "our goal is to expand provenance signals to all modalities including text" అంటుంది — ఇది ప్రణాళిక, ఉత్పత్తి కాదు.
నిజాయితీ సమాధానం చిన్నది. ChatGPT తన టెక్స్ట్‌పై వాటర్‌మార్క్ పెట్టదు, మరియు 2025లో కనిపించిన అక్షరాలు సరిదిద్దబడిన బగ్.
ChatGPT మరియు Claude అవుట్‌పుట్‌లో కనిపించిన కనిపించని అక్షర రకాలు
ఈ క్లీనర్ కనుగొనే అక్షరాలు ఐదు సమూహాల్లోకి వస్తాయి: జీరో-విడ్త్ అక్షరాలు, అసాధారణ ఖాళీలు, నియంత్రణ అక్షరాలు, పోలిక విరామచిహ్నాలు, మరియు ట్యాగ్ లేదా ప్రైవేట్-వాడుక అక్షరాలు.
| సమూహం | ఉదాహరణలు | ఇది ఏమి చేస్తుంది | ప్రామాణిక ప్రీసెట్ |
|---|---|---|---|
| జీరో-విడ్త్ అక్షరాలు | U+200B, U+200C, U+200D, U+2060, U+FEFF | వెడల్పు తీసుకోదు, అయినా ఫైల్‌లో నిల్వ అవుతుంది | U+200B, U+2060, U+FEFF తొలగించి రెండు కలుపరులను ఉంచుతుంది |
| అసాధారణ ఖాళీలు | U+00A0, U+2009, U+202F, U+3000 | స్పేస్‌లా కనిపిస్తుంది, సార్ట్ మరియు శోధనలో వేరు అక్షరం | సాధారణ స్పేస్‌గా మారుస్తుంది |
| నియంత్రణ అక్షరాలు | C0 మరియు C1 పరిధులు, ద్విదిశ నియంత్రణలు | రెండరింగ్ నడుపుతుంది లేదా పార్సర్‌లను పాడుచేస్తుంది, ఎప్పుడూ ప్రింట్ కాదు | టాబ్ మరియు న్యూలైన్ వెలుపల అన్నీ తొలగిస్తుంది |
| పోలిక విరామచిహ్నాలు | వంపు కొటేషన్లు, en మరియు em డాష్‌లు, U+00AD | ప్రింట్ అవుతుంది, కానీ మీరు టైప్ చేసిన అక్షరంలా కాదు | అలాగే వదులుతుంది |
| ట్యాగ్ మరియు ప్రైవేట్-వాడుక | U+E0000 నుండి U+E007F, ప్రైవేట్-వాడుక ప్రాంతం | ఏ మనిషీ చూడని చదవదగిన టెక్స్ట్‌ను మోస్తుంది | తొలగిస్తుంది |
ఈ పేజీపై ప్రతి కొలతకు నేను వాడిన ఉదాహరణ ఇది. వాక్యం "The meeting starts at 9:30 am on 12 May." సాదా టెక్స్ట్ ఎడిటర్‌లో నేరుగా టైప్ చేస్తే 40 అక్షరాలు మరియు 40 బైట్లు. వర్డ్ ప్రాసెసర్ ద్వారా ఒకసారి పోయి తిరిగి వస్తే 42 అక్షరాలు మరియు 49 బైట్లు అయ్యాయి. లోపల ముందు బైట్ ఆర్డర్ మార్క్, "am" తర్వాత జీరో-విడ్త్ స్పేస్, మరియు రెండు సాధారణ స్పేస్‌లు నిశ్శబ్దంగా U+202F మరియు U+00A0తో మారాయి. తొమ్మిది అదనపు బైట్లు. కనిపించేది ఏమీ మారలేదు.
The meeting starts at 9:30 am on 12 May.జీరో-విడ్త్ అక్షరాలు: U+200B, U+200C, U+200D, U+2060 మరియు U+FEFF
జీరో-విడ్త్ అక్షరాలు స్క్రీన్‌పై స్థలం తీసుకోవు కానీ ఫైల్‌లో ఉంటాయి — అందుకే పేస్ట్ చేసిన టెక్స్ట్ ఎవరూ చూడని గుర్తులను మోయవచ్చు.
| కోడ్ పాయింట్ | అధికారిక యూనికోడ్ పేరు | నిజమైన పని |
|---|---|---|
| U+200B | ZERO WIDTH SPACE | పంక్తి విరామ అవకాశాన్ని గుర్తిస్తుంది, ఎక్కువగా వెబ్ ఎడిటర్లు చొప్పిస్తాయి |
| U+200C | ZERO WIDTH NON-JOINER | పర్షియన్ మరియు అరబిక్ పదాల్లో అక్షరాలను వేరుగా ఉంచుతుంది |
| U+200D | ZERO WIDTH JOINER | ఎమోజీని ఒక చిత్రంగా కలుపుతుంది మరియు ఇండిక్ లిపులలో సంయుక్తాక్షరాలు ఏర్పరుస్తుంది |
| U+2060 | WORD JOINER | ఆ బిందువున లైన్ బ్రేక్ ఆపుతుంది |
| U+FEFF | ZERO WIDTH NO-BREAK SPACE | బైట్ ఆర్డర్ మార్క్, సాధారణంగా టెక్స్ట్ ఎడిటర్ వదులుతుంది, AI కాదు |
ఐదింటిలో రెండు పనిచేసే అక్షరాలు, చెత్త కావు. U+200C మరియు U+200D నిజమైన భాషల్లో అర్థం కలిగి ఉంటాయి — అందుకే ప్రామాణిక ప్రీసెట్ వాటిని ఉన్న చోటే వదులుతుంది.
అసాధారణ ఖాళీలు: U+00A0, U+2009, U+202F మరియు U+3000
అసాధారణ ఖాళీలు సాధారణ స్పేస్‌లా కనిపించి వేరు కోడ్ పాయింట్ కలిగి ఉంటాయి — శోధన, సార్టింగ్ మరియు కోడ్‌ను పాడుచేస్తాయి.
యూనికోడ్ 17.0 Zs వర్గం (space separator)లో 17 అక్షరాలను నిర్వచిస్తుంది, వాటిలో ఒకటి మాత్రమే మీ కీబోర్డ్ స్పేస్. నేను అక్షర డేటాబేస్ నుండి అన్ని 17ని UTF-8లో వాటి బైట్ వెడల్పులతో జాబితా చేశాను, ఎందుకంటే బైట్ వెడల్పే వాటిని ఖరీదైనవిగా చేస్తుంది.
| కోడ్ పాయింట్ | అధికారిక యూనికోడ్ పేరు | UTF-8 బైట్లు |
|---|---|---|
| U+0020 | SPACE | 1 |
| U+00A0 | NO-BREAK SPACE | 2 |
| U+1680 | OGHAM SPACE MARK | 3 |
| U+2000 to U+200A | EN QUAD నుండి HAIR SPACE వరకు, 11 అక్షరాలు | ప్రతి ఒక్కటి 3 |
| U+202F | NARROW NO-BREAK SPACE | 3 |
| U+205F | MEDIUM MATHEMATICAL SPACE | 3 |
| U+3000 | IDEOGRAPHIC SPACE | 3 |
ఒక U+202F మూడు బైట్లు తీసుకుంటుంది స్పేస్ ఒకటి తీసుకునే చోట, మరియు గ్యాప్ U+202F అయినప్పుడు "9:30 am" శోధన సరిపోదు. అందుకే ప్రామాణిక ప్రీసెట్‌లో కూడా ఖాళీలు సాధారణీకరించబడతాయి.
9:30 am
9:30 amఫలితం చూడటానికి పై సాధన ఇన్‌పుట్ బాక్స్‌లో నమూనా టెక్స్ట్‌ను కాపీ పేస్ట్ చేయవచ్చు.
ఎడిటర్లు చొప్పించే డాష్‌లు, స్మార్ట్ కొటేషన్లు మరియు సాఫ్ట్ హైఫన్‌లు
వంపు కొటేషన్లు, పొడవైన డాష్‌లు మరియు సాఫ్ట్ హైఫన్ U+00AD సాధారణంగా వర్డ్ ప్రాసెసర్ ఆటోకరెక్ట్ నుండి వస్తాయి, భాషా మోడల్ నుండి కాదు.
యూనికోడ్ 17.0 Dash లక్షణాన్ని 31 అక్షరాలకు ఇస్తుంది — కీబోర్డ్ సాదా U+002D నుండి U+2014 EM DASH మరియు U+2E3A TWO-EM DASH వరకు. వాటిలో ఒకటి మాత్రమే కీబోర్డ్ నొక్కడం. మిగతావి సాఫ్ట్‌వేర్ మీ ఉద్దేశం ఏమిటో నిర్ణయించినప్పుడు వస్తాయి. U+00AD వేరు: పంక్తి అక్కడ విరిగితే మాత్రమే హైఫన్‌గా ప్రింట్ అవుతుంది, మిగతా చోట్ల కనిపించదు.
డాష్‌లే చాలా మందిని ఇలాంటి పేజీకి తీసుకువచ్చే ప్రశ్న, మరియు చిన్న సమాధానం అవి ఏమీ రుజువు చేయవు. పూర్తి వాదన కింద em డాష్ విభాగంలో ఉంది.
టెక్స్ట్ లోపల సూచనలను దాచే ట్యాగ్ మరియు ప్రైవేట్-వాడుక అక్షరాలు
యూనికోడ్ Tags బ్లాక్ అక్షరాలు, U+E0000 నుండి U+E007F, ఏ మానవ పాఠకుడూ చూడని పూర్తి వాక్యాన్ని మోయగలవు. దాడి చేసేవారు ఇలాగే దాచిన సూచనలను AI అసిస్టెంట్ తర్వాత చదివే టెక్స్ట్‌లోకి చొప్పిస్తారు.
AWS Security Blog 30 సెప్టెంబర్ 2025న యూనికోడ్ అక్షరాల కల్పనను కవర్ చేసింది. అందులో ట్యాగ్ అక్షరాలు "Initially designed as invisible markers for indicating language within text"గా ఉండి "emerged as a potential vector for prompt injection" అయ్యాయని వివరించింది. 10 మార్చి 2026 Cloud Security Alliance పరిశోధన నోట్ అదే ఉపాయాన్ని AI ఏజెంట్ స్కిల్స్, టూల్ వివరణలు మరియు MCP సర్వర్ల వరకు ట్రేస్ చేసింది. ఆ పని Tags బ్లాక్‌ను U+200B, U+200C, U+200D మరియు U+FEFFతో పాటు పేర్కొంటుంది.
పరిమాణం చూడటానికి నేను ఒకటి నిర్మించాను. కనిపించే వాక్యం "Great work on the report." 25 అక్షరాలు మరియు 25 బైట్లు. ట్యాగ్ అక్షరాల్లో ఎన్‌కోడ్ చేసిన 42 అక్షరాల సూచనను జోడించాను. ఫైల్ 67 అక్షరాలు మరియు 193 బైట్లకు పెరిగింది. స్క్రీన్‌పై ఇంకా ఐదు పదాలు మరియు పూర్ణ విరామం కనిపిస్తాయి, మరియు స్క్రిప్ట్ కాపీ నుండి సూచనను యథాతథంగా బయటకు తీసింది. ప్రతి ట్యాగ్ అక్షరం నాలుగు బైట్లు మరియు సున్నా పిక్సెళ్లు తీసుకుంటుంది.
Great work on the report.ఇది AI గుర్తింపుతో సంబంధం లేకుండా టెక్స్ట్ శుభ్రం చేయడానికి బలమైన కారణం. వెబ్ పేజీ నుండి చాట్ అసిస్టెంట్‌లోకి కాపీ పేస్ట్ చేస్తే మీరు ఎప్పుడూ టైప్ చేయని సూచనలు అప్పగించవచ్చు.
మీ బ్రౌజర్‌లో కనిపించని అక్షరాల తొలగింపు: స్కాన్ మరియు శుభ్రపరచే వర్క్‌ఫ్లో
ఈ క్లీనర్ మీరు పేస్ట్ చేసిన వెంటనే టెక్స్ట్‌ను స్కాన్ చేస్తుంది, ప్రతి కనుగొన్నదాన్ని అధికారిక యూనికోడ్ పేరు మరియు స్థానంతో జాబితా చేస్తుంది, మరియు మీరు "టెక్స్ట్ శుభ్రం చేయి" నొక్కే వరకు ఏమీ మార్చదు.
ఈ క్రమంలో నాలుగు దశలు ఉన్నాయి:
- మీ టెక్స్ట్ పేస్ట్ చేయండి లేదా .txt లేదా .md ఫైల్ డ్రాప్ చేయండి.
- కనుగొన్నవి జాబితాను సమీక్షించండి — ప్రతి అక్షరం మరియు అది ఎక్కడ ఉందో పేరు చెబుతుంది.
- ప్రీసెట్ ఎంచుకోండి, లేదా రక్షించాలనుకునే వ్యక్తిగత కనుగొన్నవి ఉంచండి.
- శుభ్రం చేసి, ఫలితాన్ని కాపీ చేయండి లేదా డౌన్‌లోడ్ చేయండి.
ఈ క్లీనర్ మీ టెక్స్ట్‌లోని ఒక్క పదాన్ని కూడా తిరిగి రాయదు, పారాఫ్రేజ్ చేయదు లేదా మానవీకరించదు.
ప్రామాణికం, అధునాతన మరియు కఠినం ప్రీసెట్‌ల పోలిక
ప్రామాణికం సాధారణ రచనలో సమస్యలు కలిగించే అక్షరాలను తొలగిస్తుంది, అధునాతన వల వెడల్పు చేస్తుంది, మరియు కఠినం అత్యధికం తొలగిస్తుంది.
| అక్షర సమూహం | ప్రామాణికం | అధునాతన | కఠినం |
|---|---|---|---|
| జీరో-విడ్త్ స్పేస్, పద కలుపరి, బైట్ ఆర్డర్ మార్క్ | తొలగించబడింది | తొలగించబడింది | తొలగించబడింది |
| ద్విదిశ నియంత్రణలు మరియు C0/C1 నియంత్రణలు | తొలగించబడింది | తొలగించబడింది | తొలగించబడింది |
| ట్యాగ్ బ్లాక్ మరియు ప్రైవేట్-వాడుక అక్షరాలు | తొలగించబడింది | తొలగించబడింది | తొలగించబడింది |
| సాఫ్ట్ హైఫన్ U+00AD | తొలగించబడింది | తొలగించబడింది | తొలగించబడింది |
| Zs వర్గంలోని అసాధారణ ఖాళీలు | U+0020కి మార్చబడింది | U+0020కి మార్చబడింది | U+0020కి మార్చబడింది |
| కలుపరులు U+200C మరియు U+200D | ఉంచబడింది | ఎమోజీ క్రమాల వెలుపల తొలగించబడింది | అన్ని చోట్ల తొలగించబడింది |
| వేరియేషన్ సెలెక్టర్లు | ఉంచబడింది | ఎమోజీ క్రమాల వెలుపల తొలగించబడింది | అన్ని చోట్ల తొలగించబడింది |
| వంపు కొటేషన్లు మరియు పొడవైన డాష్‌లు | ఉంచబడింది | ఉంచబడింది | నేరు కొటేషన్లు మరియు సాదా డాష్‌గా మార్చబడింది |
ప్రీసెట్‌ల పక్కన మూడు ఒక-ట్యాప్ ఫిల్టర్లు ఉన్నాయి: కనిపించనివి తొలగించు, డాష్‌లు మరియు హైఫన్‌లు తొలగించు, మరియు ఎమోజీలు తొలగించు. ఈ నియమాలను ప్రచురించడం ఉద్దేశపూర్వకం. ప్రతి పోటీ సాధనం నియమ సమితిని ఒక బటన్ వెనుక దాస్తుంది, కాబట్టి మీ టెక్స్ట్ నుండి ఏమి తీసిందో ఏదైనా పాడయ్యే వరకు తెలియదు.
Markdown కోడ్ రక్షణ కోడ్ బ్లాక్‌లను ఎలా సురక్షితంగా ఉంచుతుంది?
Markdown మోడ్ మరియు రక్షణ ఆన్‌లో ఉంటే, క్లీనర్ ఫెన్స్డ్ మరియు ఇన్‌లైన్ కోడ్‌ను దాటవేస్తుంది, కాబట్టి ఖచ్చితమైన అక్షరం కావాల్సిన స్నిప్పెట్ ఉంచబడుతుంది.
కోడ్ అనేది గద్యంలో చెత్త అని పిలిచే అక్షరం భారం మోసే ఒకే చోటు. రెగ్యులర్ ఎక్స్‌ప్రెషన్ లేదా టెస్ట్ స్ట్రింగ్ బైట్ ఆర్డర్ మార్క్ ఖచ్చితంగా అక్కడ ఉండాలని ఆధారపడవచ్చు.
మీ టెక్స్ట్ మీ పరికరం వదిలి వెళ్తుందా?
కాదు. స్కాన్ మరియు శుభ్రపరచడం రెండూ మీ బ్రౌజర్‌లోనే జరుగుతాయి, మరియు పేజీ మీ టెక్స్ట్‌ను ఎప్పుడూ అప్‌లోడ్ లేదా నిల్వ చేయదు.
నిజాయితీ రెండవ సగం అదే శ్వాసలో. ఈ పేజీ ఉచితం, కాబట్టి ప్రకటనలు చూపించవచ్చు మరియు సైట్ విశ్లేషణలు వాడవచ్చు. ఐచ్ఛిక JSON నివేదిక ఏమి మారిందో నమోదు చేస్తుంది. అందులో మీ టెక్స్ట్ ఉండదు.
టెక్స్ట్ మరియు ఫైల్ పరిమితులు: 20,000 పదాలు మరియు 1 MB
క్లీనర్ పేస్ట్ చేసిన గరిష్ఠం 20,000 పదాలు, లేదా .txt లేదా .md ఫార్మాట్‌లో గరిష్ఠం 1 MB ఉన్న ఒక UTF-8 ఫైల్‌ను అంగీకరిస్తుంది.
మిగతా అన్నీ పరిధి వెలుపల: HTML, DOCX, PDF, JSON లేదా CSV కావు, మరియు పేస్ట్ సాదా టెక్స్ట్‌గా మాత్రమే వస్తుంది. JavaScript అవసరం. ఖాతా లేదు, చెల్లింపు లేదు. ఇంటర్‌ఫేస్ 26 భాషల్లో వస్తుంది. అధికారిక యూనికోడ్ పేర్లు అన్నింటిలోనూ ఇంగ్లీష్‌లోనే ఉంటాయి, ఎందుకంటే అనువదించిన అక్షర పేరు ఇక ఉదహరించదగిన పేరు కాదు.
టెక్స్ట్ కాకుండా ఫోటోల కోసం మీరు చిత్రం నుండి AI సమాచారాన్ని తొలగించవచ్చు లేదా చిత్ర మెటాడేటాను సవరించవచ్చు.
విక్రేత వారీగా AI టెక్స్ట్ గుర్తింపు: ChatGPT, Claude, Gemini మరియు Grok పోలిక
కొన్ని AI విక్రేతలు మాత్రమే తమ టెక్స్ట్ అవుట్‌పుట్‌ను గుర్తిస్తారు, మరియు అలా చేసేవారందరూ దాచిన అక్షరాలు కాకుండా పద ఎంపికను వాడతారు.
| విక్రేత | టెక్స్ట్‌ను గుర్తిస్తుంది | పద్ధతి | ఈ క్లీనర్ కనుగొన్నది | మూలం మరియు తేదీ |
|---|---|---|---|---|
| Anthropic, Claude | అవును | టోకెన్-ఎంపిక వాటర్‌మార్క్, SynthID Text యొక్క వెర్షన్ | కాదు | Anthropic, 11 ఆగస్టు 2026 ప్రకటన, సాంకేతిక నోట్ 14 ఆగస్టు 2026, అప్‌డేట్ 1 సెప్టెంబర్ 2026 |
| Google, Gemini | అవును | SynthID Text, టోకెన్ సంభావ్యత మాడ్యులేషన్ | కాదు | Google DeepMind, 14 మే 2024, అదే సంవత్సరం తర్వాత ఓపెన్ సోర్స్ |
| OpenAI, ChatGPT | నిర్ధారిత టెక్స్ట్ వాటర్‌మార్క్ లేదు | టెక్స్ట్ కోసం ప్రొడక్షన్‌లో ఏదీ లేదు. చిత్రాలు C2PA మరియు SynthID మోస్తాయి, ఆడియో SynthID మోస్తుంది | వర్తించదు | OpenAI provenance సహాయ వ్యాసం, 2 సెప్టెంబర్ 2026 నాటికి ప్రస్తుతం |
| xAI, Grok | ప్రచురిత నిబద్ధత లేదు | ఏమీ చెప్పలేదు | వర్తించదు | xAI Commission transparency Code of Practiceపై సంతకం చేయలేదు, నివేదిక 12 ఆగస్టు 2026 |
Anthropic 2 ఆగస్టు 2026 లేదా తర్వాత లాంచ్ అయిన మోడళ్లు లాంచ్‌లోనే గుర్తు కలిగి ఉంటాయని చెబుతుంది. ఆ తేదీకి ముందు విడుదలైన మోడళ్లకు గుర్తింపు జోడించడంపై పని చేస్తోంది. టెక్స్ట్ వాటర్‌మార్క్ గుర్తింపు పబ్లిక్ చెకర్ కాదు. Anthropic గుర్తింపు "is currently in private preview, available to eligible organizations as required under EU law" అంటుంది. అర్హుల జాబితాలో నియంత్రకులు, చట్ట అమలు, మీడియా, వాస్తవ తనిఖీదారులు, పరిశోధకులు, విద్యా సంస్థలు మరియు EU పౌర సమాజ సమూహాలు ఉన్నాయి. Anthropic ఉచిత Claude Content Checker జనరేట్ చేసిన ఫైల్‌లపై C2PA Content Credentials చదువుతుంది — ఇది టెక్స్ట్ వాటర్‌మార్క్ కంటే వేరు విషయం.
xAI Code of Practiceపై సంతకం చేయకపోవడం Grokను AI Act నుండి మినహాయించదు. స్వచ్ఛంద కోడ్ అనుపాలనకు మార్గం, చట్టానికి ప్రత్యామ్నాయం కాదు.
Claude టెక్స్ట్ వాటర్‌మార్కింగ్ ఎలా పనిచేస్తుంది?
Claude సమానంగా మంచి పదాల మధ్య ఎంచుకుంటుంది, మరియు రహస్య కీ ఏది తీసుకోవాలో నిర్ణయిస్తుంది. గుర్తు ఎంపికల క్రమం, టెక్స్ట్‌లోని అక్షరం కాదు.
Anthropic విధానాన్ని స్పష్టంగా వివరిస్తుంది. "Instead of using an arbitrary random number generator to pick the next word, watermarking uses the key and a few words that come before to settle what word the model should pick." కంపెనీ Claude టెక్స్ట్ వాటర్‌మార్క్ "is a version of the SynthID-Text approach published by Google DeepMind in a Nature paper in 2024" అని కూడా చెబుతుంది.
దృఢత్వంపై Anthropic స్పష్టం. "Light editing probably won't remove the watermark completely", మరియు ప్రతి పదం మార్చిన పూర్తి పునర్లేఖనం దాన్ని తొలగిస్తుంది.
SynthID Text Gemini అవుట్‌పుట్‌లో ఏమి గుర్తిస్తుంది?
SynthID Text Gemini రాసేటప్పుడు టోకెన్ సంభావ్యతల్లో తన నమూనాను ఎంబెడ్ చేస్తుంది. Google DeepMind Gemini యాప్ మరియు వెబ్ అనుభవం కోసం SynthID టెక్స్ట్ వాటర్‌మార్కింగ్‌ను 14 మే 2024న ప్రకటించింది. పద్ధతి పనిచేస్తుంది "by introducing additional information in the token distribution at the point of generation by modulating the likelihood of tokens being generated". DeepMind అదే సంవత్సరం తర్వాత Responsible Generative AI Toolkit ద్వారా పద్ధతిని ఓపెన్ సోర్స్ చేసింది.
ప్రచురిత పరిమితులు పద్ధతి అంతే ముఖ్యం. SynthID Text పొడవైన మరియు వైవిధ్యమైన సమాధానాలపై ఉత్తమంగా పనిచేస్తుంది. చిన్న వాస్తవ సమాధానాలపై బలహీనం — మోడల్‌కు పదాల స్వేచ్ఛ దాదాపు లేనప్పుడు. టెక్స్ట్ పూర్తిగా తిరిగి రాయబడినా లేదా అనువదించినా విశ్వాసం మళ్లీ తగ్గుతుంది.
దాచిన అక్షర కనుగొన్నవి మరియు AI రచన: ఒకటి మరొకటికి రుజువు కాదు ఎందుకు?
దాచిన అక్షరం మీ టెక్స్ట్‌ను ఏదో ప్రాసెస్ చేసిందని సాక్ష్యం, AI రాసిందని సాక్ష్యం కాదు.
ప్రతి కనిపించని అక్షరానికి AI రచనకు ముందే ఉన్న సాధారణ వివరణ ఉంది. వర్డ్ ప్రాసెసర్లు, కంటెంట్ మేనేజ్‌మెంట్ సిస్టమ్‌లు మరియు PDF ఎక్స్‌పోర్టర్లు దశాబ్దాలుగా వీటిని చొప్పిస్తున్నాయి. కనుగొన్నది టెక్స్ట్ సాఫ్ట్‌వేర్ ద్వారా వెళ్ళిందని చెబుతుంది — ఇది దాదాపు ప్రతి ప్రచురిత వాక్యానికి నిజం.
AI కాకుండా కనిపించని అక్షరాలు ఎక్కడ నుండి వస్తాయి?
వర్డ్ ప్రాసెసర్లు, వెబ్ ఎడిటర్లు, PDF ఎగుమతులు, అనువాద సాధనాలు, చాట్ యాప్‌లు మరియు సాదా కాపీ-పేస్ట్ అన్నీ స్వయంగా కనిపించని అక్షరాలను చొప్పిస్తాయి.
| మూలం | సాధారణంగా జోడించే అక్షరాలు | ఎందుకు |
|---|---|---|
| వర్డ్ ప్రాసెసర్లు | U+00A0, U+2019, U+2014, U+00AD | ఆటోకరెక్ట్ మరియు స్వయంచాలక హైఫనేషన్ |
| వెబ్ మరియు CMS ఎడిటర్లు | U+200B, U+FEFF | పంక్తి విరామ సూచనలు మరియు ఫైల్ ఎన్‌కోడింగ్ గుర్తులు |
| PDF ఎగుమతులు | U+2009, U+202F, U+00A0 | టెక్స్ట్ తిరిగి కాపీ అయినప్పుడు టైప్‌సెట్ స్పేసింగ్ కాపాడటం |
| అనువాద మరియు లొకలైజేషన్ సాధనాలు | U+200C, U+200D, U+061C | అరబిక్, పర్షియన్ మరియు ఇండిక్ లిపుల సరైన రెండరింగ్ |
| చాట్ మరియు మెసేజింగ్ యాప్‌లు | U+200D, U+FE0F | ఎమోజీ క్రమాలు మరియు టెక్స్ట్ లేదా ఎమోజీ ప్రదర్శన |
| యాప్‌ల మధ్య కాపీ-పేస్ట్ | U+FEFF, మిశ్రమ Zs ఖాళీలు | క్లిప్‌బోర్డ్‌లో ఎన్‌కోడింగ్ మార్పు |
నా స్వంత 40-బైట్ టెస్ట్ వాక్యం భాషా మోడల్‌ను ఎప్పుడూ కలవకుండానే నాలుగు కనుగొన్నవి పొందింది. మొత్తం వాదన ఒక కొలతలోనే ఇది.
Em డాష్‌లు వాటర్‌మార్క్ కాకపోవడానికి కారణం
Em డాష్ రచయితలు, ఎడిటర్లు మరియు ఆటోకరెక్ట్ శతాబ్దాలుగా వాడే సాధారణ విరామచిహ్నం, కాబట్టి వాక్యం ఎవరు రాశారో సంకేతం ఇవ్వదు.
2025 పరిష్కారం దీన్ని ముగిస్తుంది. OpenAI 14 నవంబర్ 2025న ChatGPT చివరకు em డాష్‌లు వాడవద్దని కస్టమ్ సూచన పాటిస్తుందని చెప్పింది. Sam Altman అదే రోజు స్పష్టంగా చెప్పాడు: "If you tell ChatGPT not to use em-dashes in your custom instructions, it finally does what it's supposed to do". వ్యక్తిగతీకరణ సెట్టింగ్‌లో ఆపగల అలవాటు ఎప్పుడూ గుర్తు కాదు. శిక్షణలో నేర్చుకున్న శైలి నమూనా, మరియు పరిష్కారం ఒక ప్రాధాన్యత.
ఈ క్లీనర్ ఇంకా డాష్ తొలగింపు ఇస్తుంది, మరియు కారణం నిజాయితీ. కాపీలో నేరు కొటేషన్లు మరియు సాదా డాష్‌లు కావాలనుకునే వారికి ఇది శైలి ఫిల్టర్. ఇది వాటర్‌మార్క్ ఫిల్టర్ కాదు, మరియు ఏ డిటెక్టర్ మీ టెక్స్ట్ గురించి చెప్పేది మార్చదు.
శుభ్రపరచడం టెక్స్ట్‌ను పాడుచేసేటప్పుడు: పర్షియన్, అరబిక్, ఇండిక్ లిపులు మరియు ఎమోజీ
జీరో-విడ్త్ అక్షరాలను తొలగించడం సరైన టెక్స్ట్‌ను పాడుచేయవచ్చు, ఎందుకంటే కొన్ని లిపులకు పదాలు సరిగా రాయడానికి అవి అవసరం.
నేను అత్యధికంగా పాడయ్యే నాలుగు కేసులు నడిపి ఏమైందో ఖచ్చితంగా నమోదు చేశాను. పర్షియన్ పదం میخواهم ఎనిమిది అక్షరాలు, మరియు మధ్యలోని U+200C రెండు భాగాలు కలవకుండా ఉంచుతుంది. తొలగిస్తే میخواهم వస్తుంది — ఏడు అక్షరాలు మరియు వేరు రాత రూపం. దేవనాగరిలో क्ष సరైన సంయుక్తాక్షరం ఏర్పరచే U+200D కలిగి ఉంది, మరియు తీసివేస్తే స్క్రీన్‌పై ఆకారం మారుతుంది. కుటుంబ ఎమోజీ 👨👩👧👦 ఏడు కోడ్ పాయింట్లు — మూడు U+200D కలుపరులతో పట్టిన నాలుగు చిత్రాలు. కలుపరులు తీస్తే 👨👩👧👦, నాలుగు వేరు వ్యక్తులు. ఎర్ర హృదయం ❤️ ఎమోజీగా చూపడానికి U+FE0F మోస్తుంది; లేకపోతే అదే కోడ్ పాయింట్ టెక్స్ట్ చిహ్నం ❤కు పడిపోతుంది.
అందుకే సాధనం ఏమీ శుభ్రం చేయకముందు కనుగొన్నవి చూపిస్తుంది, వ్యక్తిగత హిట్‌లను ఉంచవచ్చు, మరియు కఠినం డిఫాల్ట్ కాదు. ఒక భాషలో పనిచేసే ఎడిటర్‌కు శుభ్రమైన ఫలితం కనిపిస్తుంది. ఆరు భాషల్లో పనిచేసే వారికి బగ్ రిపోర్ట్.
AI టెక్స్ట్ వాటర్‌మార్క్ శుభ్రపరచడంపై తుది తీర్పు
శుభ్రమైన, పోర్టబుల్, సురక్షిత టెక్స్ట్ కోసం కనిపించని అక్షరాలను శుభ్రం చేయడం విలువైనది.
ఈ సాధనం నడపడానికి రెండు కారణాలు. మొదటిది: దాచిన అక్షరాలు శోధన ఫలితాలు, స్ప్రెడ్‌షీట్ లుకప్‌లు, కోడ్ మరియు URLలలో నిశ్శబ్దంగా విషయాలను పాడుచేస్తాయి. రెండవది: ట్యాగ్ అక్షరాలు ఎవరూ టైప్ చేయని, ఎవరూ చూడని సూచనలను AI అసిస్టెంట్‌లోకి మోయగలవు. అందువల్ల శుభ్రపరచడం కాస్మెటిక్ కాదు, భద్రత అలవాటు.
విక్రేత వాటర్‌మార్క్‌ను ఓడించాలనుకునేవారు తప్పు పొరను శుభ్రం చేస్తున్నారు. Claude మరియు Gemini పద ఎంపికల్లో టెక్స్ట్‌ను గుర్తిస్తాయి, OpenAI చిత్రాలు మరియు ఆడియోను గుర్తిస్తుంది టెక్స్ట్‌ను కాదు, మరియు అక్షర తొలగింపు ఏదీ వాటిని చేరుకోదు. ఈ గణాంక వాటర్‌మార్కింగ్‌ను ఓడించే ఒక మార్గం టెక్స్ట్‌ను కొన్ని వేర్వేరు భాషల్లోకి అనువదించి తర్వాత అసలు భాషకు తిరిగి అనువదించడం.
మీ స్వంత టెక్స్ట్ ఒక పేజీని పై ఇన్‌పుట్ బాక్స్‌లో పేస్ట్ చేసి కనుగొన్నవి చదివి టెక్స్ట్‌ను బాగా అర్థం చేసుకోండి, లేదా కేవలం అవుట్‌పుట్ కాపీ చేయండి.
ఇప్పటికి ఇంతే. ఇంత దూరం చదివినందుకు ధన్యవాదాలు.