# vLLM 新增 Gumbel-max 水印：生成文本自带防伪标记，不改变模型输出分布

> 原标题：vLLM 新增基于 Gumbel-max 的无失真文本水印功能

- 来源：AI HOT 精选
- 发布时间：2026-09-24T00:00:00.000Z
- AX AI 日报：https://ai-daily.ax0x.ai/items/58695
- 原文：https://vllm.ai/blog/2026-09-24-watermarking-in-vllm

## 摘要

vLLM 这次加的水印功能，核心是用 Gumbel-max 这个数学技巧在模型随机采样时埋入可检测信号，同时保证每个 token 被选中的概率跟原来一模一样，不会让模型说话变味。具体做法是给每个候选 token 加一个用密钥和上文算出来的伪随机噪声，再选噪声后概率最大的 token；检测时拿同一把密钥和分词器就能还原这些噪声值，看文本是不是跟噪声对齐，...

## 推荐理由

vLLM 加了一个有论文背书的无失真水印功能，对做模型服务和内容溯源的人挺实用。分数没给更高是因为它属于基础设施改进，不是模型能力跃升，而且正文没给出延迟和检测准确率的具体数字，我会先打个折。

## 锐评

这条更新解决了一个很实际的痛点：怎么给大模型生成的文本打上“身份证”，又不影响它说话的质量。vLLM 用的 Gumbel-max 技巧，简单说就是在模型随机选词时，给每个候选词加一个用密钥算出来的伪随机噪声，再挑噪声后概率最大的词。因为噪声是伪随机的，拿同一把密钥就能还原，看文本是不是跟噪声对齐，从而判断来源。

关键数字来自 Qwen3.5-27B 的测试：加了水印后，GSM8K 得分 93.0%（原版 94.2%），MBPP 得分 79.2%（原版 77.2%），误差区间有重叠，说明质量基本没降。生成时每个 token 只多一次哈希查找，开销很小。检测也不需要模型权重或原始概率，这点对实际部署很友好。

不过正文没披露双密钥设计具体怎么防合谋攻击，也没提密钥管理的最佳实践。另外，水印对文本被大幅改写、翻译或混合后的鲁棒性，文章只提了目标，没给实测数据。这点先别太激动，等看到更严苛的对抗测试再下结论。