# Anthropic rend les textes de Claude traçables > Anthropic a annoncé le filigranage des textes de Claude. Sebastian Raschka explique le prélèvement des jetons, la détection et les limites du procédé. Type : Actualité IA · Catégorie : Outils · Publié le 2026-11-02 · Signal IA - Order & Chaos Source : https://www.orderchaos.eu/signal-ia/actu/sebastian-raschka-detaille-le-filigrane-invisible-de-claude Tags : claude, anthropic, filigranage, détection, modèles de langage, llm --- ## En résumé - Anthropic a annoncé le filigranage des sorties textuelles de ses modèles Claude. - Le procédé intervient pendant la sélection des prochains jetons générés par le modèle. - Sebastian Raschka présente aussi les mécanismes de détection et de retrait du filigrane. **Le signal :** Sebastian Raschka détaille en 48 minutes comment Anthropic applique un filigrane invisible aux textes générés par Claude. **Anthropic annonce** le [filigranage](/signal-ia/actu/anthropic-cache-un-filigrane-invisible-dans-les-textes-de-claude) des sorties textuelles de ses modèles Claude. Sebastian Raschka présente ce mécanisme dans une vidéo de 48 minutes, accompagnée d’un transcript et de plus de 50 diapositives. L’annonce évoquée dans la présentation date du 14 août 2026. Le procédé vise à permettre l’identification d’un texte publié comme ayant été généré par un modèle Claude. Raschka cite notamment Claude Opus 4.8 comme exemple de modèle concerné. Le filigrane reste invisible pour les utilisateurs. Anthropic doit toutefois pouvoir le décoder pour vérifier sa présence. La présentation examine aussi les possibilités d’échec ou de retrait du filigrane. [Voir l’annonce d’Anthropic](https://www.anthropic.com/news/claude-text-watermark). **Raschka détaille** le fonctionnement interne nécessaire pour comprendre cette approche. Un modèle de langage commence par transformer la demande en identifiants de jetons. Ces identifiants passent ensuite dans le modèle, qui produit une distribution de scores pour le prochain jeton. Ces scores couvrent l’ensemble du vocabulaire disponible. Dans l’exemple présenté, le jeton correspondant à « Berlin » reçoit le score le plus élevé après la question « The capital of Germany is ». Le vocabulaire peut atteindre environ 250 000 jetons. Le texte généré est ensuite ajouté à l’entrée, puis le cycle recommence jusqu’à la fin de la réponse. Raschka utilise ce fonctionnement comme base pédagogique. ## Le filigrane modifie l’échantillonnage **Le prélèvement intervient** dans la génération habituelle du texte. La sélection du meilleur score correspond au décodage glouton, mais les grands [modèles de langage](/signal-ia/actu/anthropic-prepare-un-filigrane-invisible-pour-claude) utilisent souvent d’autres méthodes. Un choix systématique du score maximal produirait des réponses identiques et pourrait favoriser la mémorisation des données d’entraînement. Le filigranage décrit par Raschka s’insère donc comme une modification limitée du prélèvement des jetons. Il ne constitue pas un système séparé ajouté après la rédaction. La présentation relie cette étape aux scores bruts produits par le modèle. Elle explique également pourquoi la compréhension du code et de la génération « from scratch » aide à localiser précisément cette intervention. **La détection repose** sur une information intégrée dans la suite de jetons générés. Cette information n’est pas visible dans le texte lu par l’utilisateur. [Anthropic](/signal-ia/actu/anthropic-filigrane-les-textes-de-claude-des-leur-generation) pourrait l’utiliser pour déterminer si un texte publié provient de ses modèles Claude. Raschka consacre une partie de sa présentation à la manière dont ce filigrane peut être détecté. Il aborde également les cas dans lesquels le procédé peut échouer ou être retiré. Le filigranage ne modifie donc pas seulement l’apparence finale du texte. Il agit au moment où le modèle choisit ses prochains jetons. Les détails présentés relient cette opération au fonctionnement courant des modèles de langage et à leurs distributions de scores. ## La présentation examine les limites **Le format pédagogique** constitue une part importante du projet de Raschka. Il prévoyait d’abord dix diapositives et une vidéo de dix minutes. Le contenu est finalement passé à plus de 50 diapositives, pour une durée de 48 minutes. Le support comprend des figures consacrées à la génération des jetons, au filigranage et à sa détection. Raschka indique avoir réutilisé plusieurs éléments de ses travaux consacrés à la construction d’un modèle de langage à partir de zéro. La vidéo existe aussi sur YouTube, et les diapositives sont accessibles séparément. [Regarder la vidéo sur YouTube](https://www.youtube.com/watch?v=tLv7qRWFMlw) et [consulter les diapositives](https://sebastianraschka.com/pdf/slides/2026-08-18-claude-watermarking.pdf). **Le mécanisme reste** présenté comme une technique susceptible d’être retirée ou de connaître des échecs. Raschka consacre explicitement une partie de son exposé à ces limites, sans les réduire à un simple détail d’implémentation. Son explication suit le parcours complet du texte, depuis la conversion en identifiants jusqu’à la sélection répétée des jetons. Elle montre aussi pourquoi le filigranage peut être étudié à partir du fonctionnement général des modèles. L’objectif de la vidéo est de rendre compréhensible l’implémentation annoncée par Anthropic. La présentation fournit ainsi un cadre technique pour examiner les bénéfices et les inconvénients du filigranage des sorties de Claude.