كاشف النصوص بالذكاء الاصطناعي: أفضل أدوات العلامات المائية في 2026

عند البحث عن كاشف النصوص بالذكاء الاصطناعي، يجب أولًا معرفة أنه لا يوجد في 2026 كاشف عام ومتاح للجميع يستطيع رصد العلامات المائية في كل نصوص الذكاء الاصطناعي. أما الفرق التي تتحكم في نموذجها، فأفضل مسار للإنتاج هو Hugging Face SynthID Text، لكن وصفة تدريبه تبدأ من 10,000 مثال. فتوليد مخرج يحمل علامة مائية وآخر عادي لكل مطالبة يعني تنفيذ 20,000 عملية توليد قبل النشر. وبالنسبة إلى نصوص Claude أو Gemini الواردة من جهات خارجية، فالوضع الدقيق حتى 16 أغسطس 2026 هو: غير مدعوم.

الخلاصة: كاشف النصوص بالذكاء الاصطناعي لا يعمل بلا وصول إلى المصدر

العلامة المائية في نص مولّد بالذكاء الاصطناعي ليست مسافة مريبة، أو شرطة غير مألوفة، أو تقديرًا عامًا بأن الأسلوب يبدو آليًا. الأنظمة الجديرة بالشراء أو البناء حولها تزرع إشارة إحصائية في اختيارات النموذج للكلمات. وقراءة تلك الإشارة تتطلب كاشفًا مطابقًا لإعدادات العلامة المائية لدى المولّد، وغالبًا لمفتاحه السري أيضًا.

هذا الفرق يحسم قرار الشراء. إذا كانت المؤسسة تتحكم في النموذج وإعدادات التوليد، فيمكنها تشغيل كاشف حقيقي. وإذا أتاح المزوّد واجهة API رسمية للتحقق، فيمكن استخدامها. أما إذا لم يتوافر أي من المسارين، فالنتيجة هي غير مدعوم، لا «كتبه إنسان» ولا «خالٍ من العلامة المائية».

فيما يلي ترتيب الأدوات القادرة على إنجاز عمل مفيد الآن. جرى التحقق من الأسعار في 16 أغسطس 2026. تراخيص البرامج مفتوحة المصدر للأدوات الأربع كلها تبدأ من $0، لكن ذلك لا يلغي تكلفة استدلال النموذج، أو المعايرة، أو التخزين، أو الهندسة، أو المراجعة.

الأفضل إجمالًا: Hugging Face SynthID Text، ولكن فقط للمؤسسة التي تملك مسار التوليد. تنفيذه هو الأقرب بين هذه الخيارات إلى بنية تحتية إنتاجية، كما أن توثيقه واضح على نحو لافت بشأن عبء التدريب وحالات الإخفاق.

الأفضل للتقييم: MarkLLM. فهو يمنح فريق البحث أو المنصة بيئة واحدة لمقارنة عدة مخططات، بدل الخلط بين درجة الثقة الصادرة عن كاشف واحد وبين حقيقة عامة تصلح لكل النصوص.

أفضل خط أساس بسيط: lm-watermarking. نطاقه أضيق وعمره أطول، وهذا مفيد حين يكون المطلوب إعادة إنتاج طريقة KGW بإعدادات معروفة، لا استعراض صندوق أدوات واسع.

أفضل أداة مساندة للفحص: watermarks-remover. يتفوق في اكتشاف آثار النص نفسه، ويمكنه استدعاء كاشف يستخدم الإعداد ذاته، لكنه لا يستطيع إثبات غياب علامة مائية خاصة بمزوّد تجاري.

قد يصبح كاشف Claude الذي أعلنت عنه Anthropic الخيار الصحيح مستقبلًا لمخرجات Claude. لكنه غير مدرج في الترتيب لأن واجهة API وشروط الوصول والحدود والسعر لم تُنشر بعد. كذلك، لا تقبل واجهات التحقق العامة لدى Google حاليًا نصًا ملصقًا، بينما يغطي كاشف OpenAI العام الصور والصوت بدل النصوص. ولا ينبغي لفريق المشتريات سد هذه الفجوات بأداة فحص استهلاكية تعمل من المتصفح.

كيف اخترنا أدوات كشف العلامة المائية للنصوص؟

يعتمد الترتيب على خمسة معايير ترتبط مباشرة بقرار نشر فعلي.

1. نوع الدليل: يجب أن يبحث كاشف العلامة المائية عن إشارة مزروعة عمدًا. أما المصنّف الذي يتوقع فقط ما إذا كان النثر يشبه كتابة الذكاء الاصطناعي، فينتمي إلى فئة أخرى.
2. مطابقة المصدر: على الكاشف أن يحدد أي إعداد توليد أو مفتاح أو tokenizer أو مزوّد يستطيع التحقق منه فعلًا. والادعاء بالتعرف إلى كل النماذج من دون الوصول إلى المصدر مدعاة للحذر.
3. قابلية النشر: تحتاج الطريقة الموثوقة إلى تنفيذ قابل للاستخدام، ومدخلات موثقة، ومسار واضح للكشف، وتفاصيل تكفي لإعادة إنتاج النتيجة.
4. المتانة: ينبغي أن يقر التوثيق بأن العينات القصيرة، والنصوص الواقعية، والشيفرة البرمجية، وإعادة الصياغة، وإعادة الكتابة، والترجمة، وغيرها من التحويلات تُضعف الإشارة.
5. التكلفة التشغيلية: الترخيص مفتوح المصدر ليس الميزانية. يجب احتساب عمليات التوليد، وتدريب الكاشف، ومجموعات التقييم، ومعايرة العتبة، وحفظ المفاتيح، والسجلات، والمراجعة البشرية.

اجتازت الأدوات الأربع الأولى هذه المعايير لأن نطاقها معلن وحدودها قابلة للفحص. أما أدوات فحص Unicode الاستهلاكية فتظهر لاحقًا لأنها تعالج مشكلة تنظيف أضيق. واستُبعدت مصنّفات الكتابة المعتادة بالذكاء الاصطناعي لأنها تستدل من الأسلوب بدل قراءة مفتاح مزروع. وإذا كانت هذه هي فئة المنتج المطلوبة، فالدليل المنفصل إلى أفضل كواشف الذكاء الاصطناعي في 2026 يقارنها من دون الادعاء بأنها تتحقق من العلامات المائية.

جرى تدقيق جميع الادعاءات المتعلقة بالمنتجات والتراخيص والمستودعات والإصدارات والتوافر بالرجوع إلى صفحات الجهات الأصلية في 16 أغسطس 2026. ولا يوفّر أي من برامج الشراكة النشطة أو عالية القيمة المتاحة لهذه المقارنة خدمة تحقق من العلامات المائية النصية، لذلك لم نُدخل أي شريك في الترتيب. فإضافة خيار مريح تجاريًا كانت ستجعل المقارنة أقل دقة.

1. Hugging Face SynthID Text: أفضل مسار إنتاجي للفرق التي تتحكم في التوليد

Hugging Face SynthID Text هو أقوى خيار حالي حين تملك المؤسسة مسار تقديم النموذج وتستطيع وضع العلامة المائية أثناء التوليد. أضاف Google DeepMind وHugging Face هذا التنفيذ إلى Transformers v4.46.0، فجمعا بين التوليد ذي العلامة المائية وكاشف قابل للتدريب، بدل تقديم نتيجة سحرية لمجرد لصق النص. ويوثق دليل التنفيذ من Hugging Face جانبي النظام. حالة الاستخدام الواضحة هي منصة نماذج مؤسسية تحتاج إلى تمييز مخرجات نماذجها المدعومة عبر التطبيقات الداخلية. والحد واضح بالقدر نفسه: لا يستطيع التعرف إلى نصوص Claude أو Gemini أو ChatGPT عشوائية من دون الإعداد المطابق وبيانات التدريب.

يضبط جانب التوليد احتمالات الرموز عبر إعداد علامة مائية قائم على مفتاح. توصي Hugging Face بما بين 20 و30 عددًا صحيحًا عشوائيًا فريدًا للمفتاح، وتصف طول n-gram البالغ 5 بأنه نقطة بداية جيدة، مع حد أدنى يبلغ 2. وليست هذه إعدادات عامة يمكن نسخها إلى كاشف بعد وقوع التوليد؛ بل هي جزء من إعداد يجب أن يظل متسقًا من التوليد حتى تدريب الكاشف.

عند جانب الكاشف يتحول ما يبدو أداة مجانية إلى مشروع فعلي. توصي Hugging Face بما لا يقل عن 10,000 مثال، موزعة بين مخرجات تحمل علامة مائية وأخرى بلا علامة، ثم مقسمة إلى بيانات تدريب واختبار. وإذا أنتجت المؤسسة إجابة موسومة وأخرى عادية لكل مطالبة، فهذا يعني 20,000 عملية توليد قبل تدريب الكاشف. يظل ترخيص المستودع $0، أما حوسبة النموذج ووقت الفريق فليسا مجانيين.

يوجد مسار مفيد للتوسع. يمكن للنماذج التي تشترك في tokenizer أن تستخدم إعداد علامة مائية وكاشفًا مشتركين، بشرط أن تتضمن بيانات تدريب الكاشف أمثلة من كل نموذج مشارك. وقد يقلل ذلك عدد خدمات الكشف التي تديرها منصة داخلية. لكنه يعني أيضًا أن ترقية النموذج ليست تعديلًا ورقيًا، بل سببًا لإضافة عينات جديدة وإعادة التحقق من الكاشف.

يجب أن توجه حالات الإخفاق صياغة السياسة. فقد تؤدي إعادة الكتابة الشاملة أو الترجمة إلى خفض الثقة بشدة، كما يصعب وسم الإجابات الواقعية لأن حرية النموذج في الاختيار بين كلمات معقولة تكون أقل. لذلك ينبغي وضع نتيجة الكاشف إلى جانب البيانات الوصفية للمصدر، لا استخدامها بدلًا منها. دورها هو تقوية سجل التدقيق، لا اتهام موظف أو طالب أو متعاقد أو ناشر بناءً على درجة واحدة.

الأنسب لها: فرق المنتجات والمنصات التي تتحكم في توليد النصوص وتحافظ على إعداد العلامة المائية.
الميزة الأبرز: تنفيذ موجّه للإنتاج داخل Transformers مع وصفة صريحة لتدريب الكاشف.
السعر: $0 لترخيص برنامج Apache-2.0، تم التحقق منه في 16 أغسطس 2026؛ وتُضاف تكاليف الاستدلال والتدريب والتخزين والهندسة.
التجربة المجانية: لا ينطبق؛ التنفيذ مفتوح المصدر.

تجربة عملية أولية لـ SynthID Text

1. 1

   اختيار مسار توليد واحد مملوك

   تبدأ التجربة بنموذج واحد وtokenizer واحد ونوع مخرجات ضيق، مثل مسودات دعم العملاء. ولا تُخلط النماذج أو حالات الاستخدام حتى يصبح خط الأساس مفهومًا.

2. 2

   تثبيت إعداد العلامة المائية

   يُنشأ المفتاح ويُحمى، ويُسجل إعداد n-gram، وتُحفظ نسخة محددة من إعداد التوليد كاملًا. لا تكون نتائج الكاشف ذات معنى إلا ما دام إعداد المصدر معروفًا.

3. 3

   إنشاء أمثلة مزدوجة

   تُستخدم 10,000 مطالبة تمثيلية على الأقل. ويُنتج لكل مطالبة مخرج موسوم وآخر عادي، ثم تُقسّم عمليات التوليد الناتجة وعددها 20,000 إلى بيانات تدريب وبيانات اختبار مستقلة.

4. 4

   تدريب الكاشف ومعايرته

   يُدرّب الكاشف على الفئتين المعروفتين، ثم تُختار عتبة تشغيل استنادًا إلى نصوص الاختبار المستقلة. ويجب قياس الإيجابيات الكاذبة في المخرجات العادية وحالات عدم اكتشاف المخرجات الموسومة قبل ربط النتيجة بأي إجراء ضمن السياسة.

5. 5

   اختبار النتيجة تحت الضغط

   تُضاف إلى مجموعة التقييم إجابات قصيرة، ومقاطع واقعية، ونصوص شبيهة بالشيفرة، وإعادات صياغة، وترجمات. وتُسجل الحالات غير المدعومة منفصلة بدل إجبارها على نتيجة ثنائية.

6. 6

   حفظ نسخة محددة من السلسلة كاملة

   تُحفظ معلومات تطبيق المصدر والنموذج وtokenizer وإصدار الإعداد وإصدار الكاشف والنتيجة معًا. وتُعاد المعايرة بعد تغيير النموذج أو العلامة المائية.

الحكم: يُختار Hugging Face SynthID Text عندما يكون إثبات المصدر جزءًا من نظام توليد تملكه المؤسسة. ويُستبعد عندما لا يتوافر سوى نص ملصق من مزوّد مجهول.

2. MarkLLM: أفضل بيئة تقييم قبل اختيار علامة مائية

MarkLLM هو أفضل بيئة تقييم لفريق بحث يريد معرفة أي مخطط علامة مائية يصمد أمام محتواه الفعلي واختبارات المتانة لديه. يدعم المشروع مفتوح المصدر التوليد والكشف عبر أساليب متعددة، منها KGW وSynthID-Text، مع مسارات منفصلة للمحتوى الموسوم وغير الموسوم. حالة الاستخدام العملية هي فريق منصة يقارن الأساليب على مطالبات خاصة بمنتجه قبل الالتزام بمخطط توليد واحد. أما حدوده فجوهرية: اتساع دعمه للأساليب المنشورة لا يمنحه الإعداد السري لنموذج خاص بأحد المزوّدين.

يسرد MarkLLM عددًا قدره 12 أداة تقييم تغطي قابلية الكشف والمتانة وجودة النص. وهذا مهم لأن أداء الكاشف قد يبدو ممتازًا مع عينات نظيفة وطويلة، ثم يتعثر بعد التحويلات المعتادة في سير العمل. فمنتج للصياغة القانونية ومساعد للدعم ومساعد للشيفرة لا تنتج عنها توزيعات نصية متماثلة. وبيئة التقييم المناسبة تجعل هذه الفروق هي التي تحدد المخطط بدل الاتكال على رقم رئيسي واحد.

بُنيت البيئة حول Python 3.10 وPyTorch. وحتى 16 أغسطس 2026، كان المستودع يعرض 1.0k نجمة على GitHub و176 عملية commit، وكان أحدث commit مدرج مؤرخًا في 10 يوليو 2026. لا تثبت مؤشرات المستودع هذه موثوقية الإنتاج، لكنها تدل على نطاق بحثي أوسع وأحدث صيانة من عدة تطبيقات أضيق.

أفضل سبب لاختيار MarkLLM ليس أنه يدعم أكبر عدد من الأسماء، بل قدرته على جمع التوليد والهجوم والكشف وتقييم الجودة في تجربة واحدة قابلة لإعادة الإنتاج. وهكذا يصبح من الأسهل الإجابة عن سؤال الأعمال الحقيقي: أي إشارة تظل مفيدة بعد التعديلات التي يسمح بها سير العمل، وبمعدل إيجابيات كاذبة تتحمله السياسة؟

لا ينبغي جعل MarkLLM بوابة استقبال لأي مستند يصل إلى المؤسسة. موضعه الصحيح خلف تجربة محكومة أو نظام توليد مملوك، حيث تكون طريقة العلامة المائية وإعداداتها معروفة. ومن دون مطابقة المصدر هذه، لا يمكن تحويل خرج الكاشف إلى حكم على مصدر نص من Claude أو Gemini أو ChatGPT.

الأنسب لها: فرق البحث والمنصات التي تقارن مخططات العلامات المائية قبل اختيارها للإنتاج.
الميزة الأبرز: اثنتا عشرة أداة تقييم، إلى جانب مسارات للتوليد والكشف عبر عدة أساليب.
السعر: $0 لترخيص برنامج Apache-2.0، تم التحقق منه في 16 أغسطس 2026؛ وتُضاف تكاليف الحوسبة والتكامل.
التجربة المجانية: لا ينطبق؛ حزمة الأدوات مفتوحة المصدر.

الحكم: يُستخدم MarkLLM قبل اختيار العلامة المائية، لا ككاشف عام بعد وصول النص بالفعل.

3. lm-watermarking: أوضح خط أساس لطريقة KGW

lm-watermarking هو الخيار الأوضح لمجموعة بحثية صغيرة تريد التنفيذ الرسمي لـKGW وخط أساس ضيق يسهل تفسيره. يندمج المستودع الرسمي مع توليد Hugging Face Transformers، ويُبقي العلاقة ظاهرة بين إعدادات التوليد وإعدادات الكشف. حالة الاستخدام المباشرة هي إعادة إنتاج تجربة منشورة للعلامة المائية قبل مقارنتها بمخططات أحدث. والعائق هو حساسية الإعداد: يجب أن تتطابق gamma وseeding وtokenizer والجهاز ومدخلات الكاشف الأخرى مع التوليد، ولذلك تظل نصوص المزوّدين المجهولة خارج النطاق.

تستخدم نقطة البداية الموثقة في المستودع gamma بقيمة 0.25، وdelta بقيمة 2.0، وعرض سياق h=4، وselfhash. تُعرض هذه التوصية بوصفها خلاصة فهم القائمين على المشروع منذ أغسطس 2023، لذا ينبغي التعامل معها كخط أساس قابل لإعادة الإنتاج، لا كأفضل إعداد عام حالي. وليس عمرها عيبًا تلقائيًا؛ فعندما تُستخدم طريقة كعينة ضابطة في التقييم، قد يكون ثباتها ووضوح افتراضاتها أهم من طول قائمة الميزات.

يتطلب الكشف أيضًا انضباطًا في التعامل مع n-grams المتكررة. يذكر التوثيق ضرورة تجاهل n-grams المتكررة للحصول على قيم p صالحة، ويحذر من وجوب توافق إعدادات التوليد والكاشف. هذه التفاصيل تحديدًا تفسر لماذا لا يثبت نسخ واجهة كاشف وتمرير نص مجهول إليها مصدر ذلك النص. فلا تكون للإحصائية دلالة إلا نسبةً إلى المخطط الذي ولّد النص.

حتى 16 أغسطس 2026، حمل lm-watermarking ترخيص Apache-2.0، وكان لديه 694 نجمة على GitHub و16 عملية commit، فيما كان أحدث commit مدرج مؤرخًا في 17 سبتمبر 2025. يقدّم MarkLLM حزمة تقييم أوسع، ويوفّر Hugging Face SynthID Text مسارًا إنتاجيًا أقوى. ويفوز lm-watermarking حين يكون الهدف فهم KGW وإعادة إنتاجها من دون إدخال اتساع إضافي في إطار العمل.

الأنسب لها: الباحثون والبنّاؤون ذوو الخبرة الذين يحتاجون إلى تنفيذ KGW ضابط وشفاف.
الميزة الأبرز: التنفيذ الرسمي الذي يُظهر بوضوح ضرورة تطابق إعدادات التوليد والكاشف.
السعر: $0 لترخيص برنامج Apache-2.0، تم التحقق منه في 16 أغسطس 2026؛ وتُضاف تكاليف النموذج والحوسبة.
التجربة المجانية: لا ينطبق؛ التنفيذ مفتوح المصدر.

الحكم: يُستخدم lm-watermarking عندما تكون قابلية إعادة الإنتاج هي المهمة. ويُستبعد عندما تكون المهمة تقييم عدة أساليب، أو حوكمة جاهزة، أو التحقق من مزوّد خارجي.

4. watermarks-remover: أفضل رفيق للفحص، لا دليلًا على مزوّد المحتوى

watermarks-remover هو أفضل أداة مساندة لفحص أصناف الآثار التي يضعها الناس، على سبيل التبسيط، تحت اسم «العلامات المائية للذكاء الاصطناعي». يستطيع المشروع مفتوح المصدر فحص وتنظيف Unicode غير المرئي والبيانات الوصفية والبنى المرتبطة بـC2PA، ثم استخدام طبقة منفصلة لإعادة الكتابة للتعامل مع الأنماط الإحصائية. ويمكن لتكامله الاختياري مع MarkLLM اكتشاف علامات KGW وSynthID عندما يتوافر الإعداد نفسه. ولا يقدّم المشروع هذا التكامل بوصفه كاشفًا مطلقًا لعلامات مزوّد خاص؛ ولهذا السبب يحتل المرتبة الرابعة لا الأولى.

حالة الاستخدام العملية هي سير عمل تحريري أو امتثال أو أمني يحتاج إلى جرد الآثار قبل انتقال النص بين الأنظمة. وقد تتسبب محارف Unicode غير المرئية في مشكلات بالبحث أو التحليل أو المقارنة أو التنسيق، حتى حين لا تكون علامة على مصدر ذكاء اصطناعي. وتشكّل البيانات الوصفية وبنى C2PA طبقات أدلة مستقلة بدورها. والأداة التي تكشف هذه الطبقات تستطيع تحسين سلامة النص من دون ادعاء معرفة أكثر مما تسمح به الأدلة.

الخطر هنا دلالي. فتنظيف محرف بعرض صفري لا يزيل نمط Anthropic الإحصائي في اختيار الكلمات، لأن Anthropic تقول إن طريقتها لا تضيف محارف مخفية. وقد تُضعف إعادة الكتابة إشارة إحصائية، لكن لا سبيل إلى إثبات زوالها من دون كاشف المزوّد. فالقول إن «الملف يبدو نظيفًا» يختلف عن القول إن «كاشف المزوّد سيعطي نتيجة سلبية».

كان لدى المستودع 11.1k نجمة على GitHub و1.2k fork و87 عملية commit، وكان أحدث commit مدرج مؤرخًا في 15 أغسطس 2026، وذلك عند التحقق في 16 أغسطس. يجعل هذا الانتشار المشروع جزءًا مهمًا من حديث المشترين، خصوصًا لأن الاهتمام بالإزالة قد يسبق بنية الكشف التحتية. ومع ذلك، لا توسع الشعبية نوع الأدلة التي تستطيع الأداة قراءتها.

الأنسب لها: فرق التدقيق وعمليات المحتوى التي تفصل بين Unicode والبيانات الوصفية وC2PA والفحوص الإحصائية ذات الإعداد المطابق.
الميزة الأبرز: سير فحص واحد لعدة أنواع من الآثار، مع تكامل اختياري مع كاشف MarkLLM.
السعر: $0 لترخيص برنامج MIT، تم التحقق منه في 16 أغسطس 2026؛ وتُضاف تكاليف النموذج والبنية التحتية الاختيارية.
التجربة المجانية: لا ينطبق؛ المشروع مفتوح المصدر.

الحكم: يُستخدم watermarks-remover لفحص فئات الآثار المعروفة وتنظيفها، لا لإثبات أن نصًا مجهولًا من جهة خارجية لم يحمل علامة مائية قط.

كاشف Claude من Anthropic يتصدر قائمة المراقبة، لكنه ليس منتجًا بعد

واجهة Claude Watermark Detection API من Anthropic هي أهم كاشف مزوّد ينبغي مراقبته، لأنها مرتبطة بالمفتاح الذي يستخدمه نظام Claude الجديد لوسم النصوص. أعلنت Anthropic عن هذه الإمكانية في 14 أغسطس 2026، وتقول إن واجهة API للكشف ستتوفر لاحقًا. لكنها لم تنشر تفاصيل التنفيذ أو شروط الوصول أو الحدود أو السعر. وهذا يجعلها اتجاهًا موثوقًا، لا أداة يستطيع المشتري نشرها اليوم.

طريقة Claude هي نسخة من SynthID-Text. فهي تضع نمطًا إحصائيًا قائمًا على مفتاح في اختيارات الكلمات، من دون محارف مخفية أو رموز إضافية أو هوية مضمّنة للمستخدم أو المؤسسة. وتقول Anthropic إن أثر العلامة في السرعة ضئيل، وإنها لا تضيف تكلفة على الخدمة أو الاستخدام. هذه المؤشرات الاقتصادية للتوليد مشجعة، لكنها ليست الشروط التجارية لواجهة API الخاصة بالكاشف.

نطاق التغطية محدد أيضًا. تقول إرشادات الدعم من Anthropic إن نماذج Claude التي أُطلقت في الاتحاد الأوروبي في 2 أغسطس 2026 أو بعده تدعم الوسم منذ الإطلاق، فيما يجري دعم النماذج الأقدم. وعندما يتوافر الدعم، يمكن تطبيق العلامة عالميًا عبر Claude Platform وAPI وClaude وClaude Code وClaude Cowork وClaude Tag وشركاء السحابة المدرجين. ولا تفيد هذه السعة جهة التحقق اللاحقة إلا إذا أمكنها الوصول إلى خدمة الكشف المطابقة.

يجب إدراج القيود في كل مذكرة شراء. العينات القصيرة ضعيفة، وتحمل المقاطع الواقعية والشيفرة إشارة أقل، كما يمكن للتحرير المكثف أو إعادة الصياغة أو الترجمة أو إعادة الكتابة الكاملة أن تزيل النمط القابل للكشف. وحتى النتيجة الإيجابية لا تعني سوى أن Claude ربما عالج النص؛ فهي لا تثبت أن Claude أنشأ الأفكار أو المسودة الأولى.

النتيجة العملية بسيطة: ينبغي حفظ بيانات المزوّد والنموذج والإصدار والطابع الزمني وتطبيق المصدر الآن، ووضع التحقق من العلامة المائية خلف مهايئ يمكنه استقبال استجابة المزوّد لاحقًا. ولا ينبغي شراء كاشف Unicode عام بوصفه بديلًا مؤقتًا لكاشف Claude، لأنه يقرأ نوعًا مختلفًا من الأدلة.

الأنسب لها: التحقق مستقبلًا من مخرجات Claude المدعومة عبر مفتاح Anthropic وخدمتها.
الميزة الأبرز: كاشف يتحكم فيه المزوّد ومقترن بعلامة Claude الإحصائية القائمة على مفتاح.
السعر: لم يُنشر لواجهة API المرتقبة الخاصة بالكاشف حتى 16 أغسطس 2026.
التجربة المجانية: لم يُعلن عنها.

الحكم: ينبغي تصميم النظام ليستوعب واجهة Anthropic، لكن لا يصح إدراجها كضابط متاح في الميزانية قبل إطلاق الوصول والسعر.

أي أداة تناسب كل حالة؟

على مؤسس الشركة المموّلة الذي يشغّل نقطة نهاية لنموذج يملكه أن يبدأ بـHugging Face SynthID Text. يمكن تثبيت العلامة حيث يُولّد النص، وتدريب الكاشف على التوزيع الحقيقي لمخرجات الشركة. وينبغي إدراج 20,000 عملية مزدوجة في الميزانية، مع تجربة ضيقة واحدة قبل الوعد بإثبات المصدر عبر المنتج كله.

أما مدير التقنية في شركة متوسطة يقارن الأساليب، فيبدأ بـMarkLLM. تُختار مطالبات تمثيلية للدعم والمبيعات والسياسات والشيفرة، ثم تُقيّم قابلية الكشف والمتانة وجودة النص معًا. الهدف ليس تتويج فائز عام، بل العثور على الطريقة التي تلائم حالة إخفاقها مستوى المخاطر المقبول لدى الشركة.

وعلى مجموعة بحثية صغيرة تعيد إنتاج KGW اختيار lm-watermarking. فنطاقه الأضيق يُظهر الافتراضات ويحافظ على قابلية تفسير التجربة. ويأتي الانتقال إلى MarkLLM عندما يتحول سؤال البحث من إعادة الإنتاج إلى المقارنة.

أما مسؤول التدقيق أو عمليات المحتوى الذي يفحص آثارًا مختلطة، فيستخدم watermarks-remover أداةً مساندة. يُحفظ الأصل، وتُفحص Unicode والبيانات الوصفية، ولا يُشغّل كاشف إحصائي إلا عند معرفة الإعداد المطابق. ويُبلّغ عن كل طبقة من الأدلة منفصلة.

ولا ينبغي للمشتري الذي يفحص نصًا من Claude أو Gemini أو ChatGPT لدى طرف ثالث اختيار أي من الأدوات الأربع بوصفها كاشفًا عامًا. عليه انتظار الكاشف المناسب من المزوّد، أو طلب سجلات المصدر، أو تصنيف الحالة على أنها غير مدعومة. واجهة Anthropic قادمة، والتحقق العام من نصوص Google ليس متاحًا ضمن واجهات التحقق الحالية من الوسائط، وكاشف OpenAI العام يغطي صيغ الصور والصوت حاليًا.

يتغير القرار كله بناءً على سؤال واحد: هل تتحكم في المولّد أو تملك مسار التحقق لدى المزوّد؟ وكل ما عدا ذلك مقارنة ميزات داخل هذا الحد.

بند الميزانية الحقيقي هو المعايرة لا الترخيص

تبدأ كل أداة مرتبة بترخيص برنامج قيمته $0. وهذا أقل رقم تكلفة فائدة في القرار.

تخلق إرشادات Hugging Face الدنيا للتدريب أول بند حقيقي. البداية هي 10,000 مطالبة تمثيلية، ثم إنتاج مخرج موسوم وآخر عادي لكل مطالبة. المحصلة 20,000 عملية توليد، يتبعها تدريب الكاشف، والتقييم على بيانات مستقلة، واختيار العتبة، وإعادة الاختبار بعد كل تغيير في النموذج أو الإعداد.

تكلفة الاستدلال ليست سوى جزء من الميزانية. فلا بد ممن يحدد المطالبات التمثيلية، ويحفظ نسخًا محددة من المفاتيح والإعدادات، ويخزن المخرجات، ويسمي الفئتين، ويفحص حالات الإخفاق، ويقرر الإجراءات التي يُسمح لنتيجة الكاشف بإطلاقها. وإذا كانت النتيجة الإيجابية تمنع تلقائيًا النشر أو الدفع أو القبول أو التوظيف، يصبح تصميم العتبة والاستئناف أهم من شعبية المستودع.

هناك ثلاث حالات يجب الاحتفاظ بها:

• تم الاكتشاف: وجد الكاشف المطابق إشارة عند عتبة التشغيل التي اختارتها المؤسسة.
• لم يتم الاكتشاف: لم يجد الكاشف المطابق إشارة في عينة مدعومة. ومع ذلك، قد تفسر النتيجة عوامل مثل التحرير أو الطول أو نوع المحتوى أو عدم تطابق النموذج.
• غير مدعوم: لا يوجد كاشف مطابق للمصدر بالنسبة إلى المولّد المزعوم، أو تقع العينة خارج شروط الكاشف المدعومة.

دمج الحالتين الأخيرتين هو الخطأ المكلف. حتى عبارة «لم يتم الاكتشاف» أضيق من «كتبه إنسان». أما «غير مدعوم» فتعني أن النظام لم يمتلك أداة صالحة للإجابة عن السؤال.

ينبغي وضع تصميم الحوكمة الأشمل إلى جانب سياسة العلامة المائية للمحتوى المولّد بالذكاء الاصطناعي. فالعلامات المضمنة، وإفصاحات الوسم، وسجلات المصدر، وبيانات اعتماد المحتوى تعالج جوانب مختلفة من مشكلة إثبات المصدر. ويجمع سير العمل المتين بينها بدل تحميل درجة كاشف واحدة القضية كاملة.

أدوات لا ينبغي استخدامها دليلًا على المصدر

GetGPT Text Watermark Scanner أداة مجانية مفيدة لفحص Unicode، لكنها ليست كاشفًا لعلامة Anthropic الإحصائية القائمة على مفتاح. تفحص أداة المتصفح أكثر من 34 محرفًا مخفيًا أو ملتبسًا من محارف Unicode، منها U+200B وU+202F وU+2014 وU+2003، من دون اشتراط التسجيل. وقد تكشف آثار تنسيق تستحق التنظيف، لكنها لا تستطيع قراءة إشارة تقول Anthropic إنها لا تتضمن محارف مخفية.

يكون GetGPT مناسبًا عندما يتصرف النص المنسوخ على نحو غريب داخل CMS أو diff أو فهرس بحث أو محلل لاحق. أما نتيجته النظيفة فلا تثبت أن Claude أو Gemini أو ChatGPT أو إنسانًا كتب النص؛ إذ لا تتطابق فئات الأدلة.

WatermarkDetector.com كاشف Unicode مجاني آخر يعمل محليًا داخل المتصفح، ويغطي 26 فئة من المحارف، مع استخدام معلن غير محدود ومن دون واجهة API عامة. وهو مناسب للفحص السريع لتنسيق النص عندما يُفضّل إبقاء المحتوى الحساس داخل المتصفح. لكنه يظل بلا مفتاح المزوّد أو إعداد التوليد اللازم للتحقق من علامة نموذج إحصائية.

ينبغي إبقاء WatermarkDetector.com في صندوق أدوات سلامة النسخ، لا في منصة الحكم على التأليف. فنطاق المنتج أضيق من السؤال المسند إليه، والتسمية الدقيقة تمنع إساءة استخدام أداة مفيدة.

وللسبب نفسه، تقع المصنّفات العامة لكتابة الذكاء الاصطناعي خارج ترتيب العلامات المائية. فهي تقدّر ما إذا كانت الأنماط اللغوية تشبه مخرجات نموذج. أما كاشف العلامة المائية فيبحث عن إشارة زرعتها عمدًا عملية توليد معروفة. قد يعطي الاثنان درجة، لكن كل درجة تجيب عن سؤال مختلف.

يجب أيضًا توخي الدقة في وصف Google وOpenAI. تقول Google إن SynthID يضع علامة على النصوص المولدة في Gemini ويتعرف إليها، إلا أن مسار التحقق العام في Gemini وبوابة SynthID Detector يسردان حاليًا التحقق من الصور والفيديو والصوت، لا النصوص الملصقة. وبالمثل، يسرد كاشف OpenAI العام صيغ الصور والصوت. ولا تجعل أي من الواجهتين كاشف Unicode لدى طرف ثالث كاشفًا رسميًا للنصوص.

ما الذي ينبغي فعله صباح الاثنين؟

لا يبدأ العمل يوم الاثنين بشراء كاشف، بل بجرد واضح.

1. تُسرد كل المنتجات ومسارات العمل التي تولد نصًا بمساعدة الذكاء الاصطناعي أو تعدّله أو تستقبله.
2. يُسجل المزوّد والنموذج والإصدار وتطبيق المصدر، وما إذا كانت المؤسسة تتحكم في التوليد.
3. تُضاف إحدى حالات الكاشف الثلاث: كاشف مملوك متاح، أو كاشف رسمي من المزوّد متاح، أو غير مدعوم.
4. يُختار سير عمل واحد لنموذج مملوك من أجل تجربة Hugging Face SynthID Text ضيقة، بمخرجات مزدوجة موسومة وعادية.
5. تُحفظ النسخ الأصلية قبل أي تنظيف لـUnicode أو إزالة للبيانات الوصفية أو إعادة صياغة أو ترجمة.
6. يوضع التحقق لدى المزوّد خلف مهايئ داخلي واحد، بحيث يمكن إضافة واجهة Anthropic القادمة من دون إعادة كتابة السياسة.
7. تُكتب قاعدة تحدد ما الذي يمكن أن تطلقه النتيجة الإيجابية والسلبية وغير المدعومة فعليًا.

المحصلة المطلوبة يوم الاثنين ليست عقدًا مع كاشف عام، بل خريطة لمصدر المحتوى توضّح أين توجد الأدلة، وأين ينبغي إنفاق ميزانية المعايرة، وأين يجب على المؤسسة أن تقول «غير معروف».

الأسئلة الشائعة

كيف يمكن كشف العلامة المائية في نصوص الذكاء الاصطناعي؟

يُستخدم الكاشف المقترن بمفتاح العلامة المائية أو إعدادات المولّد. وإذا كانت المؤسسة تتحكم في التوليد، فتدرّب الكاشف المطابق وتعايره على مخرجات موسومة وعادية. وإذا أتاح المزوّد كاشفًا رسميًا، فتُستخدم خدمته. ومن دون أي من المسارين، لا يستطيع فحص عام التحقق من العلامة الإحصائية للمزوّد.

هل يترك الذكاء الاصطناعي علامة مائية في النص؟

تفعل ذلك بعض الأنظمة المدعومة. تقول Google إن SynthID يضع علامة على النص المولّد في Gemini، كما تستخدم نماذج Claude الأحدث والمدعومة نسخة من SynthID-Text. لكن التغطية ليست عامة، وقد تكون الإشارة القابلة للكشف أضعف من اللازم في النص القصير أو الواقعي أو المترجم أو المحرر بكثافة.

هل يضع Claude علامة مائية على النصوص؟

تضع نماذج Claude المدعومة التي أُطلقت في الاتحاد الأوروبي في 2 أغسطس 2026 أو بعده علامة على النص المولّد منذ الإطلاق، فيما يستمر توسيع الدعم للنماذج الأقدم. العلامة نمط إحصائي قائم على مفتاح في اختيار الكلمات، لا حيلة بمحارف مخفية. وستتوفر واجهة Anthropic للكشف لاحقًا.

كيف يمكن فحص علامة ChatGPT المائية؟

يدعم كاشف OpenAI العام حاليًا الصور والصوت، لا النص الملصق. ويمكن لكاشف Unicode في المتصفح تحديد المحارف المريبة في نص منسوخ، لكنه لا يستطيع إثبات أن ChatGPT ولّد الكلمات.

هل يستطيع ChatGPT إزالة العلامات المائية؟

قد تعطل إعادة الكتابة الكاملة الأنماط الإحصائية لاختيار الكلمات، لكن ذلك لا يثبت التأليف البشري ولا يضمن أن يعطي كاشف المزوّد نتيجة سلبية. يجب حفظ الأصل والإبلاغ فقط عما يدعمه الكاشف المتاح فعلًا.

احصل على خريطة أدوات الذكاء الاصطناعي لأصحاب الأعمال للتمييز بين بنية ذكاء اصطناعي قابلة للنشر وأدوات لا تفعل سوى الظهور بمظهرها.