CopyShield：LLM 中版权防御的跨级基准

大语言模型 可以逐字再现记忆的文本，但版权防御通常在不兼容的协议下进行评估。我们引入 CopyShield，一个受控基准，比较不同干预级别的三种代表性防御：对比解码（输出）、直接偏好优化（行为）和激活干预（表示）。我们使用对五本公共领域书籍的受控记忆和测量文字泄漏、校准的非文字泄漏、实用性和简并性的共享协议，在两个模型系列 LLaMA-3.1-8B 和 Mistral-7B-v0.3 上评估 CopyShield。在这些方法中，干预水平与不同的合规性与效用权衡相关。在 LLaMA-3.1-8B 上，对比解码仍然接近无简并 (0-2%)，但在 NV-Recall 0.192-0.203 处达到文字抑制下限。 DPO 几乎消除了字面泄漏（0.263 到 0.002），但在 58% 的 QA 输出中引起释义循环简并，并且与 SFT 基线相比没有效用增益。激活干预通过在生成之前阻止 84% 的非文字查询来实现最低的非文字标记率 (1/200)。人工评估证实 DPO 的一致性较低，而激活则通过广泛拒绝降低了感知的版权风险。在 Mistral-7B-v0.3 上，输出和表示级别模式持续存在，而 DPO 简并率下降至 10-14%，表明其严重性取决于模型。 CopyShield 共同提供跨级别参考基线，并将有针对性的非字面抑制确定为一项公开挑战。该代码可从 https://github.com/spotai-mbzuai/CopyShield.git 获取。