Sentient Foundation이 AI 모델의 출처를 증명하는 지문(fingerprint) 기법을 비교하는 공개 벤치마크 Fingerprinting Index를 내놨다. 벤치마크는 fingerprint.sentient.foundation에서 볼 수 있고, 함께 공개한 오픈소스 라이브러리 mlprints는 GitHub에서 받을 수 있다.1
Sentient Labs 연구진은 앞서 제안된 지문 기법 10종을 시험해, 정교한 공격자가 모델의 쓸모를 크게 해치지 않고 거의 모두 피할 수 있다는 결과를 얻었다고 밝혔다. 취약한 기법에는 Sentient가 만든 Perinucleus도 들어 있다.1
지문 기법의 작동 방식
Sentient의 Perinucleus는 NeurIPS 2025에서 spotlight(주목 발표)로 선정됐다. Llama-3.1-8B에 지문 24,576개를 넣고도 성능 영향이 작았으며, 상당수가 이후 미세 조정을 거쳐서도 남았다. 그러나 지문을 많이 넣을 수 있다고 해서 제거를 노리는 공격까지 견딘다는 뜻은 아니다. SaTML 2026에서 발표된 연구에서 Sentient 연구진이 기법마다 적응 공격을 개발해 시험한 결과, 10종 중 거의 전부가 충분히 정교한 공격자에게 우회될 수 있었다. Perinucleus도 취약한 것으로 나타났다.
Sentient의 Perinucleus는 NeurIPS 2025에서 spotlight(주목 발표)로 선정됐다. Llama-3.1-8B에 지문 24,576개를 넣고도 성능 영향이 작았으며, 상당수가 이후 미세 조정을 거쳐서도 남았다. 하지만 지문을 많이 넣는 것과 제거 공격을 견디는 것은 별개라는 점이 SaTML 2026에서 발표된 연구로 드러났다. Sentient 연구진은 기법마다 적응 공격을 개발했고, 10종 중 거의 전부가 충분히 정교한 공격자에게 우회될 수 있음을 확인했다.1
mlprints는 연구자가 지문 기법을 구현하고 결과를 재현하며 공격을 개발해, 같은 조건에서 비교하도록 만든 도구다. 지문 8종이 등록돼 있고, 이 가운데 proflingo와 rofl을 뺀 나머지는 학습을 지원한다.1,2
명령줄로 지문 생성, 학습, 공격 준비, 성능 측정, 검증을 실행할 수 있다. Python 3.12 이상이 필요하고, 설정 값을 grid로 묶어 모든 조합을 돌릴 수 있다. 직접 만든 구현은 패키지에 등록하지 않고 --implementation 옵션으로 쓸 수 있다.
mlprints는 연구자가 지문 기법을 구현하고 결과를 재현하며 공격을 개발해, 같은 조건에서 비교하도록 만든 도구다. 등록된 지문은 chain_hash, implicit_fp, instructional_fp, mergeprint, perinucleus, proflingo, rofl, semcond_watermark 8종이고, proflingo와 rofl을 뺀 나머지는 학습을 지원한다. 공격은 perplexity_filtering, suppress 계열 3종, detect 계열 3종, bigram_suppression이 등록돼 있다. 검증기는 match, watermark_ztest, adg_ztest다.2
가중치를 공개하면 다른 사람이 수정하고 발전시킬 수 있지만 파생 모델의 출처를 추적하기도 어려워진다. 지문은 복제와 재사용을 막지 않고 출처를 입증할 수단으로 거론된다. 충분히 견고해지면 모델 귀속과 라이선스 집행 등을 뒷받침할 수 있을 것이라는 설명이다.
Sentient Foundation의 Sachi Kamiya 벤처·성장 이사는 "지문은 증거를 모델 안에 넣는다"고 말했다. 장기 연구 목표는 모델 능력과 밀접히 연결돼 지문을 제거하면 모델 성능도 훼손되는 지문을 개발하는 것이다. 이런 수준의 견고성을 달성할 수 있을지는 아직 남은 과제이며, Fingerprinting Index는 이를 검증하려는 것이다.
가중치를 공개하면 다른 사람이 수정하고 발전시킬 수 있지만 파생 모델의 출처를 추적하기도 어려워진다. 지문은 복제와 재사용을 막지 않고 출처를 입증할 수단으로 거론된다. 충분히 견고해지면 모델 귀속과 라이선스 집행 등에 쓸 수 있다고 자료는 전한다.
Sentient Foundation의 Sachi Kamiya 벤처·성장 이사는 "지문은 증거를 모델 안에 넣는다"고 말했다. 장기 연구 목표는 모델 능력과 밀접히 연결돼 지문을 제거하면 모델 성능도 훼손되는 지문을 개발하는 것이다. 그 수준의 견고성이 가능한지가 이 벤치마크가 따지려는 핵심 물음이다.1