# Anthropic marque invisiblement les textes de Claude

> Anthropic prévoit de marquer les textes produits par Claude, avec un procédé invisible que Sebastian Raschka explique en 48 minutes.

Type : Actualité IA · Catégorie : Outils · Publié le 2026-11-19 · Signal IA - Order & Chaos
Source : https://www.orderchaos.eu/signal-ia/actu/anthropic-marque-invisiblement-les-textes-de-claude
Tags : claude, anthropic, watermarking, détection, échantillonnage, llm

---

## En résumé

- Anthropic prévoit d’identifier les textes générés par ses modèles Claude.
- Le marquage intervient pendant la génération des jetons par le modèle.
- Sebastian Raschka présente le fonctionnement dans une vidéo de 48 minutes.

**Le signal :** Sebastian Raschka décrit un marquage invisible appliqué pendant l’échantillonnage des jetons de Claude.

**Anthropic prévoit** de marquer les textes produits par ses modèles Claude. L’annonce porte sur un procédé de marquage intégré aux sorties textuelles. Sebastian Raschka présente son fonctionnement dans une vidéo de 48 minutes. Son exposé décrit la génération des jetons, la détection du marquage et sa suppression possible. L’objectif présenté consiste à identifier un texte publié comme provenant d’un modèle Claude précis. Raschka cite notamment Claude Opus 4.8 comme exemple de modèle pouvant être identifié. Le marquage doit rester invisible pour les utilisateurs. Anthropic conserverait ainsi un moyen de le décoder pour vérifier l’origine revendiquée d’un texte. La vidéo accompagne une transcription éditée et nettoyée.

**La génération prépare** le fonctionnement du procédé. Une requête est d’abord convertie en identifiants de jetons, avant son passage dans le modèle de langage. Le modèle produit ensuite une distribution de scores pour le prochain jeton. Ces scores couvrent l’ensemble du vocabulaire disponible. Raschka illustre cette étape avec la phrase « the capital of Germany is », suivie du jeton « Berlin ». Dans son exemple pédagogique, l’index 19 846 reçoit le score le plus élevé. Il rappelle toutefois que la sélection ne consiste pas toujours à prendre strictement le score maximal. Le texte généré est ensuite reconverti, puis ajouté à l’entrée pour poursuivre la séquence.

## Le marquage intervient pendant l’échantillonnage

**L’échantillonnage choisit** chaque prochain jeton selon une distribution de scores. Le décodage glouton sélectionne systématiquement le score le plus élevé. Raschka explique que les modèles utilisent souvent une autre méthode, car une sélection toujours identique pourrait produire les mêmes réponses. Le vocabulaire contemporain peut contenir environ 250 000 jetons, selon son exemple. Cette représentation permet de visualiser les scores bruts, appelés logits, sur une plage allant de moins l’infini à plus l’infini. Le marquage est présenté comme une modification limitée du processus habituel de génération. Il ne constitue donc pas, dans l’exposé, une étape distincte et lourde ajoutée après la production.

**La détection repose** sur un motif invisible associé aux choix de jetons. Anthropic présente ce mécanisme comme un moyen de reconnaître un texte généré par ses propres modèles. Raschka explique que les utilisateurs ne voient pas directement ce marquage. La détection nécessite donc un décodage spécifique du signal intégré à la sortie. Son exposé examine aussi les situations dans lesquelles le marquage peut échouer ou être retiré. Cette réserve concerne le fonctionnement technique présenté dans la vidéo, et non une garantie de détection universelle. Anthropic a également publié une présentation de son approche sur son [site officiel](https://www.anthropic.com/news/claude-text-watermark). Les détails sont illustrés dans les [diapositives de Raschka](https://sebastianraschka.com/pdf/slides/2026-08-18-claude-watermarking.pdf).

## Raschka détaille cinquante-deux diapositives

**La présentation compte** plus de 50 diapositives, alors que Raschka prévoyait initialement un format de dix diapositives et dix minutes. La version finale dure 48 minutes et reprend les étapes de génération depuis la tokenisation. Elle explique aussi pourquoi une implémentation simplifiée peut aider à comprendre l’emplacement du marquage. Raschka relie cette méthode à ses contenus consacrés à la construction de modèles de langage depuis zéro. Il indique que la lecture du code reste utile, même lorsque des modèles de langage peuvent désormais produire du code. La vidéo et sa transcription suivent le même ordre général. Le lecteur peut consulter la [version vidéo complète](https://youtu.be/tLv7qRWFMlw).
