中/EN
前沿热点
前沿热点

Claude 隐形水印上线当天就被开源抹掉：6 天 1.2 万星，但国内删标识是踩红线

Anthropic 8-11 确认 8-2 起新 Claude 模型全渠道织入机器可读隐形水印（响应欧盟规则），同日开源 watermarks-remover（前身 remove-claude-marks，MIT/Python 零依赖，agent skill+本地 HTTP 服务）上线对拆，6 天 11,918★/1,276 fork（API 实测 8-17）。三层清除清单（隐形 Unicode 无损/统计水印逐句重写 best-effort/C2PA+EXIF 元数据 13 格式），自认 C2PA 软绑定无解+无公开检测器无人能宣称过检。冷水三盆+中国《标识办法》第十条红线（不得恶意删标、不得提供删标工具，2025-09-01 生效配 GB 45438）。看懂比用它重要。

发布于 2026年8月17日7 分钟阅读
<!-- ai-watermark-arms-race-hotspot | hotspot | Claude 隐形水印上线当天就被开源抹掉：6 天 1.2 万星，但国内删标识是踩红线 -->

2026 年 8 月 11 日，Anthropic 在帮助中心确认：8 月 2 日及之后发布的 Claude 模型，会在所有生成文本里织入一层人眼不可见、机器可读的隐形水印，覆盖所有提供 Claude 的渠道。而就在同一天，一个名叫 watermarks-remover 的开源项目出现在 GitHub 上，功能只有一件事：把各家 AI 厂商埋进文本和文件里的溯源水印抹掉。6 天后，这个仓库冲到 11,918 星、1,276 fork（GitHub API 实测，2026-08-17），MIT 协议，Python 编写。官方埋标记、开源当天拆标记，这场「水印军备竞赛」的第一回合，快得像提前写好的剧本。

先说清边界：本文事实基于 GitHub API 实测、Anthropic 帮助中心文档、TechCrunch/Interesting Engineering/Chosun 等报道及项目 README 整理（截至 2026-08-17），星数为 API 快照；法律部分为公开法规条文梳理，非法律意见；项目能力以官方仓库为准，本文不提供删标操作教程。

一、六天时间线：官方埋标，当天被拆

把两端的事件按时间排开，最能看清这场竞赛的烈度：

时间阵营事件
2026-08-02 起Anthropic新发布的 Claude 模型开始在全渠道生成文本中织入隐形水印
2026-08-11Anthropic帮助中心文章更新，正式确认水印方案（响应欧盟 AI 法案透明度要求，Interesting Engineering 报道）
2026-08-11 16:32 UTC开源社区guillaumemeyer/watermarks-remover 仓库创建，前身名为 remove-claude-marks——目标直指 Claude
2026-08-14媒体韩国朝鲜日报英文版报道「Anthropic 水印被开发者工具中和」，事件出圈
2026-08-17GitHub API11,918 星 / 1,276 fork，发布 v0.5.0

注意那个前身名字：remove-claude-marks。它不是泛泛的「元数据清理工具」，而是专门为拆 Claude 水印而生，后来才扩展成多厂商版本。社区的反应速度，就是对这个消息最直接的投票。

二、它到底抹什么：一张三层清单

读它的 README 会发现，这把「橡皮擦」比想象中系统得多。AI 溯源标记分三种存在形态，它逐层对应：

层目标它的做法效果
A 层隐形 Unicode 字符、异形空格、双向控制符、tag 字符纯 Python 脚本确定性清除可彻底清除（无损）
B 层统计水印（SynthID-Text、Kirchenbauer 类 token 采样标记，信号散布在措辞本身）用另一个模型逐句重写尽力而为（best-effort）
文件层C2PA / EXIF / XMP 元数据，覆盖 PNG、JPEG、WebP、GIF、TIFF、SVG、PDF、DOCX、EPUB、HTML、Markdown 等 13 种格式丢弃元数据段（PDF 需 exiftool + qpdf 结构性重建）可清除

甚至图像像素域水印（SynthID 图像版、StegaStamp、Tree-Ring 类）它也留了两个可选重型后端（CtrlRegen 再生式清除、DiffusionPurification 扩散净化），但要下载数 GB 模型、强烈建议 GPU。整个项目零依赖（Python 3.10+ 标准库即可跑），以 agent skill + 本地 HTTP 服务形态工作。

但 README 里最值得读的是它自己承认做不到的：

  1. C2PA「软绑定」无解。这是把溯源信息嵌进内容本身的水印，元数据剥掉后仍能把远程 Content Credentials 清单重新链回来。README 明确写：不在范围内，剥掉硬绑定的 C2PA并不能清除这些通道。
  2. 没人能诚实地宣称「过检」。在厂商公开检测器和密钥之前，任何工具都无法验证「这份内容已检测不出水印」。清除只能尽力，无法证明。

三、官方那半边也在加码

拆标的一方在狂欢，埋标的一方也没停：OpenAI 已宣布采用 C2PA 开放标准，并与 Google 合作在自家生成图像中嵌入 SynthID 隐形水印；欧盟 AI 法案的内容透明度义务正在落地；学界同步在研究「去同步化溯源攻击」的对抗方案（arXiv 2026 年新论文）。水印不再是某一家厂商的产品功能，而是整个行业正在成型的基础设施——这正是 watermarks-remover 能 6 天 1.2 万星的时代背景：它拆的不是 Claude，是所有人都要装的这层地基。

四、三盆冷水，和一条真正的红线

热度之外，三盆冷水必须泼足，前两盆来自项目 README 自己：

  1. 拆统计水印 = 大幅重写，重写 = 降质。统计水印的信号散布在几乎每个句子的措辞里，轻度改写（换标题、调段落）几乎不动信号，必须逐句重写。而重写模型的文笔上限就是成品上限——用便宜模型重写贵模型的稿子，产出不会超过便宜模型的 ceiling。README 甚至自问自答了那个灵魂拷问：「既然反正要用便宜模型重写，为什么不一开始就直接用便宜模型生成？」
  2. 用原模型重写会被重新盖上水印。想清理 Claude 的标记就得换别家模型重写，且残余风险永远存在。
  3. 抹不干净是常态。见上文：软绑定无解、无公开检测器可验证。

然后是那条红线。中国的《人工智能生成合成内容标识办法》由网信办等四部门联合发布，2025 年 9 月 1 日已生效，配套强制性国标 GB 45438 同步实施。它要求 AI 生成内容同时携带显式标识（用户可感知的提示）和隐式标识（文件元数据中的技术标记，鼓励用数字水印）。而第十条末段写得很直白：标识不得被任何组织和个人恶意删除、篡改、伪造、隐匿，也不得向他人提供用于此类恶意行为的工具和服务；用户通过平台发布 AI 生成内容，还必须主动声明并使用平台标注功能。

换句话说：在国内，拿这类工具清理自己文档里的隐形字符、给对外发布的 AI 内容删标，是两个完全不同的法律性质。前者是卫生习惯，后者可能直接踩中监管条文——传播时删标 + 平台没核出隐式标识 + 事后被溯源，「我不知道这是 AI 生成的」这句话在元数据面前站不住。项目 README 也给自己留了免责声明：仅用于你拥有或获授权处理的内容，用户须遵守当地法规。

一句话判断：这是理解「AI 内容溯源」这个品类最快的一份活教材——官方怎么埋、社区怎么拆、法律怎么划线，三件事在同一周里发生。看懂它，比用它重要。

常见问题

Q1：用 watermarks-remover 违法吗？ A1：分场景。在国内，对自有内容做隐私清理（如清除文档里残留的隐形 Unicode 字符、对外发稿前整理元数据）属于正当使用；但《标识办法》第十条禁止任何组织和个人恶意删除、篡改、伪造、隐匿 AI 生成内容标识，并禁止向他人提供用于此类恶意行为的工具和服务。对外发布的 AI 内容删标后冒充或回避披露，存在明确的合规风险。本文非法律意见，具体场景请咨询专业人士。

Q2：隐形水印能被彻底抹干净吗？ A2：不能保证。隐形 Unicode 字符和文件元数据可以确定性清除；但散布在措辞里的统计水印只能靠逐句重写「尽力而为」，且 C2PA 软绑定（嵌在内容本体中的水印）明确无解。更关键的是：厂商未公开检测器之前，没有任何工具能证明「已检测不出」。项目 README 自己也这么写。

Q3：抹水印会伤文章质量吗？ A3：会。统计水印的信号分布在几乎每个句子的措辞里，清除的唯一办法是用另一个模型大幅重写，而重写会拉平语气、风格和精度——成品上限就是重写模型的上限。README 的原话是：如果反正要用便宜模型重写，不如一开始就直接用便宜模型生成。

Q4：国内对 AI 内容标识到底要求什么？ A4：《人工智能生成合成内容标识办法》2025 年 9 月 1 日生效（网信办等四部门，配套强制性国标 GB 45438）：服务提供者必须给 AI 生成内容加显式标识（用户可感知）和隐式标识（文件元数据，鼓励数字水印）；传播平台必须核验元数据、提供标注功能；普通用户发布 AI 内容也须主动声明。任何组织和个人不得恶意删除、篡改、伪造、隐匿标识。

Q5：普通人该怎么应对这波「水印军备竞赛」？ A5：三个动作：一是用 AI 写对外发布的内容时，主动用平台标注功能声明，别想着抹标——合规成本远低于风险；二是收文稿、接外包时留意 C2PA/元数据，验明是否 AI 生成；三是把它当观察窗口：水印与拆水印的攻防会长期拉锯，理解「标识是基础设施」这个趋势，比站队任何一边更有用。

参考来源

  • GitHub：guillaumemeyer/watermarks-remover（11,918★/1,276 fork、MIT、Python、v0.5.0，API 实测 2026-08-17；仓库 2026-08-11 创建，前身为 remove-claude-marks）
  • Anthropic 帮助中心：Claude 隐形水印说明（2026-08-11 更新；8 月 2 日起新模型全渠道生效）
  • TechCrunch：Anthropic says it will watermark text generated by its AI models（2026-08-11）
  • Interesting Engineering：Anthropic puts hidden watermarks on Claude text under new EU rules（2026-08）
  • 朝鲜日报英文版（Chosun）：Anthropic's Watermarks Neutralized by Developer's Tool（2026-08-14）
  • 网信办等四部门：《人工智能生成合成内容标识办法》（2025-03-14 公布，2025-09-01 施行）及配套国标 GB 45438
  • TNW：OpenAI adopts C2PA standard and Google's SynthID（OpenAI 接入 C2PA + SynthID）
  • arXiv：Authenticated Contradictions from Desynchronized Provenance and Watermarking（2603.02378，溯源对抗研究）

本文基于公开报道、官方文档与法规原文整理（2026-08-17），非实测复现，法律部分不构成法律意见；星数与功能以官方仓库为准。相关阅读：SynthID-Text 开源拆解 ｜ AI 内容检测工具横评 ｜ AI 内容标识合规 SOP

本文由 AI 辅助生成，经人工审核编辑。最后更新：2026-08-17

常见问题

用 watermarks-remover 违法吗？
分场景。在国内，对自有内容做隐私清理（如清除文档里残留的隐形 Unicode 字符、对外发稿前整理元数据）属于正当使用；但《标识办法》第十条禁止任何组织和个人恶意删除、篡改、伪造、隐匿 AI 生成内容标识，并禁止向他人提供用于此类恶意行为的工具和服务。对外发布的 AI 内容删标后冒充或回避披露，存在明确的合规风险。本文非法律意见，具体场景请咨询专业人士。
隐形水印能被彻底抹干净吗？
不能保证。隐形 Unicode 字符和文件元数据可以确定性清除；但散布在措辞里的统计水印只能靠逐句重写「尽力而为」，且 C2PA 软绑定（嵌在内容本体中的水印）明确无解。更关键的是：厂商未公开检测器之前，没有任何工具能证明「已检测不出」。项目 README 自己也这么写。
抹水印会伤文章质量吗？
会。统计水印的信号分布在几乎每个句子的措辞里，清除的唯一办法是用另一个模型大幅重写，而重写会拉平语气、风格和精度——成品上限就是重写模型的上限。README 的原话是：如果反正要用便宜模型重写，不如一开始就直接用便宜模型生成。
国内对 AI 内容标识到底要求什么？
《人工智能生成合成内容标识办法》2025 年 9 月 1 日生效（网信办等四部门，配套强制性国标 GB 45438）：服务提供者必须给 AI 生成内容加显式标识（用户可感知）和隐式标识（文件元数据，鼓励数字水印）；传播平台必须核验元数据、提供标注功能；普通用户发布 AI 内容也须主动声明。任何组织和个人不得恶意删除、篡改、伪造、隐匿标识。
普通人该怎么应对这波「水印军备竞赛」？
三个动作：一是用 AI 写对外发布的内容时，主动用平台标注功能声明，别想着抹标——合规成本远低于风险；二是收文稿、接外包时留意 C2PA/元数据，验明是否 AI 生成；三是把它当观察窗口：水印与拆水印的攻防会长期拉锯，理解「标识是基础设施」这个趋势，比站队任何一边更有用。

相关文章

前沿热点

GPT-6 Astra 摆上谷歌货架：名分还是微软

2026 年 10 月 21 日，OpenAI 官宣与 Google Cloud 合作：前沿模型与 Codex 智能体工作流进入 Google Cloud Model Garden，企业购买费用可计入 GCP 承诺消费额，GA 计划在数周内（官方原文 coming weeks）。Google Cloud 官方博客点名三款模型——GPT-6 Astra、GPT-6.1 Sol、GPT-6 Luna，当前均为 private preview，并自称成为唯一同时提供三大领先闭源大模型的超大规模云。Astra 定价官方已公布：API 每百万 token 输入 10 美元、输出 50 美元，上下文 1.05M、最大输出 128K，价目截至 2026 年 4 月 30 日；谷歌渠道定价未公布。Sol 是 9 月 29 日 DevDay 发布的低价档（2 美元/10 美元，约为 Astra 五分之一，官方定位句为接近 Astra 表现的低价复杂工作档）。微软关系有官方表态兜底：OpenAI 公告末尾写明 Microsoft remains OpenAI's primary cloud partner，勿读成倒向谷歌。媒体口径（Reuters/CNBC）：微软独家分销 4 月到期、AWS 次日宣布接入、如今谷歌补齐，三大云全卖 GPT；Anthropic 2025 年营收 47% 来自 AWS 与 Google 渠道（引 IPO 文件）；谷歌云增速约 82% 领跑三大云。命名沿革：8 月内部版 Astra 曾解 10 个悬置十年的数学问题（Lean 证明开源可机器验证），官方未正式确认与 GPT-6 Astra 同血统。未公布清单：参数量、谷歌渠道价格、GA 具体日期、开放权重（仅有 API 与企业云托管）。

2026年10月24日8 分钟阅读
前沿热点

万卡国产算力训出 293B：星火 X2.6 开源的只有 4B

科大讯飞于 2026 年 10 月 22 日在全球 1024 开发者节发布星火 X2.6：293B 总参、30B 激活的 MoE 架构，1M token 上下文，端云一体，训练全程使用全国产算力并部署于国产万卡推理集群。效率账本（官方口径）：飞星二号万卡训练 2000B tokens、256K 长度数据的时间从 4.5 个月压到 1.2 个月，超长上下文训练效率提升 4 倍；推理侧首个全国产硬件四层 KV Cache 架构把命中率从 63% 提到 95.7%、效率达优化前 4.5 倍。云端自报 SWE Pro 77.3 与 SWE Multilingual 95.0 排名第一、SWE Verified 95.4 仅次于 DeepSeek-V4.1-Flash 1017 的 95.6，但无完整分数表、无技术报告、无第三方复测。关键辨析：传播最广的「讯飞开源 X2.6」系误读——开放权重的只有端侧 Spark-X2.6-4B（Apache 2.0，Hugging Face 挂 XHToken 命名空间、ModelScope 同步、Ollama 用 SparkLLM 名），293B 旗舰权重不开源仅有 API 试用；4B 版自报 BFCL-V4 71.8、MCP-Atlas 62.4、SWE Verified 62.8 等六项较前代提升。限时定价输入 0.9 元、缓存命中 0.08 元、输出 3.6 元每百万 tokens。产业叙事：端云预判 60% 本地、30% 协同、10% 云端，路由准确率 81.2% 提至 96.1%；刘庆峰「唯一全国产训练」为单方说法且未公布芯片型号。未公布清单：旗舰训练芯片型号、集群总规模、总算力、技术报告、旗舰权重。

2026年10月23日8 分钟阅读
前沿热点

Xing4.0-29B-Intent 58分登顶：类别分却不是第一

中电信人工智能科技有限公司星辰通用人工智能实验室于 2026 年 10 月 19 日发布并开源意图理解专用模型 Xing4.0-29B-Intent：29B MoE 架构、每 token 仅激活约 4B 参数，用 Schema 引导把一句自然语言转成业务系统可直接读取的 category + args 结构化 JSON，官方开源 275.3 万条训练语料、模型权重与推理镜像。官方评测总分 58（意图理解 81、事件抽取 40、关系抽取 38、命名实体识别 72、类别分值 69），对位的 Gemini-3.6-Flash 为 49、Qwen3.8-Max 46、Kimi-K3 45、GPT-5.6-Sol 45。但要说清两处反差：其一，类别分值最高的是 Gemini-3.6-Flash 的 71，优势集中在事件抽取、关系抽取与意图理解，NER 只领先 1 分；其二，官方微信公众号评测表列 18 行而 GitHub README 只留 11 行，官方两版表格行数不同，且那 18 行包含被测模型自身、实际对照通用模型为 17 款。官方公众号另有一组仅其可见的 5,606 题评测（70 / 56 / 53 / 65）。评测为官方自评，公告原文写明不代表所有任务与实际部署场景中的效果。数据侧：2,753,000 条语料来自 61 个公开数据集加电信自建，覆盖 19 个领域、52 种语言，配套 170+ 意图与 148 个槽位的标签集，而自研 schema 实测并集为 347 category / 147 arg，官方未解释两套口径。许可侧：模型权重、公开数据与 Python SDK 均按 Apache-2.0 发布，但仓库 LICENSE 是未填版权人的占位模板，权重侧无独立 LICENSE 文件，数据集另有上游条款需自行核对。官方未公布端到端时延、最低显存、API 定价与训练细节，媒体所称百毫秒级响应属二手口径。

2026年10月22日9 分钟阅读