乐于分享
好东西不私藏
夜雨聆风 > > 办公文件 > 写论文怕被AI误标记就用这个开源工具

写论文怕被AI误标记就用这个开源工具

当前时间： 2026-08-17 18:23:50 分类：办公文件 评论(0)
写论文怕被AI误标记就用这个开源工具

现在用 AI 辅助写论文、写报告的同学越来越多了。但很多人不知道的是：当你让 Claude、Gemini、ChatGPT 帮你生成文字时，这些 AI 可能会在输出里偷偷埋下肉眼看不见的水印。

这些水印不会影响阅读体验，但如果你把 AI 生成的文本直接提交，理论上厂商或有权限的平台是可以检测出来的。于是问题来了——我合法用了 AI 辅助，又改了不少内容，凭什么还要被标记？

最近 GitHub 上爆火的一个开源项目watermarks-remover，就是冲着这个问题来的。

项目名称：watermarks-remover

仓库地址：github.com/guillaumemeyer/watermarks-remover

Star 数：11k+

作者：Guillaume Meyer

许可证：MIT（可自由使用）

最新版本：v0.5.0

核心依赖：Python 3.10+ 标准库，零第三方依赖

先搞懂：AI水印藏在哪？

大厂给 AI 内容加水印，目前主要走两条路：

第一条：硬水印（文件元数据）

在文件的元数据里直接写上"这是AI生成的"。比如 PNG/JPEG 图片里的 C2PA 标签、PDF 里的 EXIF 信息、DOCX 的文档属性。这类水印是"确定性的"——有就是有，没有就是没有。

第二条：软水印（统计标记）

藏在文字的"选词倾向"里。比如 Google 的 SynthID-Text 会在 AI 生成时对 token（词元）采样做微小的偏移，肉眼读起来完全正常，但用检测器+密钥就能统计出来。这类水印你改几个字可能还残留，必须大面积改写才可能清除。

还有一类更隐蔽的：不可见 Unicode 字符——零宽空格、双向控制符、异形空格等。它们不占显示宽度，但确确实实存在于文本中，可以用来追踪内容来源。

三层架构：能做什么、不能做什么

watermarks-remover 把工作分成三层，每一层的"可验证程度"完全不同——这也是它最值得说的地方：它对自己的能力边界诚实得不像一个三天冲上榜首的项目。

Layer A不可见字符清理

移除零宽空格、双向文本控制符、标签字符、异形空格等 Unicode 编辑型标记。

确定性清除——跑完脚本，数量都能统计出来，可以用 c2patool / exiftool 对比验证。干净利落。

Layer B统计水印改写

针对 SynthID-Text 这类基于 token 采样的统计水印，通过逐句重写（释义、换句式、换连接词）来打乱信号。

尽力而为（best-effort）——没有任何工具能保证官方检测器一定失效。而且改写会降低文本质量，用项目作者的话说："扁平化语气、声音和精度。"

Files文件元数据剥离

从 PNG / JPEG / WebP / SVG / PDF / DOCX / ODT / HTML / Markdown 等格式中剥离 C2PA、EXIF、XMP、文档属性等来源标记。

确定性清除——删掉就能用工具验证。但注意：C2PA 软绑定（可重新链接远程凭证的水印）超出范围。

支持的厂商与格式一览

通道ClaudeGemini/SynthIDOpenAI开源LLM
Unicode/编辑型文本Layer ALayer ALayer ALayer A
统计采样文本尽力而为尽力而为尽力而为尽力而为
C2PA/文件元数据✓✓✓✓
像素图像标记超出范围可选移除超出范围可选移除

注：绿色=确定性清除；橙色=尽力而为；灰色=超出范围

实际怎么用？几行命令的事

核心脚本零依赖，clone 下来就能跑。最简单的用法：

# 先检查文件里藏了什么标记
python3 service/scripts/inspect_file.py draft.md

# 清理文本（Layer A + 文件元数据）
python3 service/scripts/clean_file.py draft.md -o draft.cleaned.md

# 清理图片的 C2PA/EXIF
python3 service/scripts/clean_file.py photo.png -o photo.cleaned.png

# 单独清理文本层的不可见字符
python3 service/scripts/clean_text.py draft.md -o draft.clean.md --stats

# 启动 HTTP 服务（可选，支持 API 调用）
make serve  # http://127.0.0.1:8765

如果你用 Docker，一行命令就能跑起来：

docker run --rm -p 127.0.0.1:8765:8765 \
  --read-only --tmpfs /tmp \
  ghcr.io/guillaumemeyer/watermarks-remover:latest

对于 PDF 文件，项目特别提醒：需要同时安装exiftool和qpdf。因为 exiftool 清理 PDF 元数据是"增量写入"——原始数据字节其实还留在文件里，只是被标记为释放。必须用 qpdf 重新序列化才能真正删干净。这个细节很能说明作者的态度：不糊弄。

最让人服气的部分：它劝你别用它

是的，你没看错。这个项目的 README 里花了整整一章告诉你它的局限，甚至帮你算了一笔账：

作者的灵魂拷问

"如果你本来就要用便宜模型把文本重写一遍来清除水印，那当初何必花钱用旗舰模型生成？直接用便宜模型生成，更简单、更便宜，产出相同或更好的结果。"

三个不能忽视的限制：

1. 改写有代价。统计水印藏在"用词本身"里，清除等于大面积改写。你用重写模型的词替换原始选择，语气和精度都会被"扁平化"。旗舰模型最值钱的语言质感，可能在改写中流失。

2. 不保证通过官方检测。在厂商公开检测器和密钥之前，没有任何工具能诚实地认证"这无法通过官方检查"。项目报告必须区分"可验证"和"尽力而为"。

3. 像素/音频/视频水印超出范围。C2PA 软绑定、音频视频水印、训练后门——都不碰。图像像素水印靠外部 CtrlRegen 做"再生式"移除，非保证。

那到底该不该用？

先说结论：它是给"内容所有者"的隐私工具箱，不是给"内容搬运工"的伪装道具。

什么场景适合用？

  • 你合法用 AI 辅助写了份私人文件（简历、投稿、商业方案），改了不少内容后发出去——溯源标记不该一直跟着你
  • 你做了张 AI 图片用于自己的项目，不想让文件里带着"AI生成"的元数据标签
  • 你是研究者，想理解 AI 水印的工作原理和攻防逻辑
  • 你关心内容隐私权——"谁有权决定你的内容要不要被标记"

什么场景不适合？

  • 想靠它把 AI 生成的内容伪装成纯人类原创，骗过查重——它自己都不敢保证
  • 对文字质量有执念——统计水印的清除会牺牲语言质感
  • 学术不端场景——项目 MIT 许可证虽允许使用，但 README 明确写了"非学术欺诈或虚假'人类撰写'声明"

一句话总结：当"溯源"变成平台强加的义务，就必然有人把"擦除"做成开源产品。这个项目最值钱的地方，不是"100%去水印"，而是把这场关于内容所有权的辩论，从大厂会议室搬到了你的终端里。

最后聊个话题：AI 生成的内容，到底该不该强制标"AI生成"？

站"必须标"的扣 1，站"内容所有者说了算"的扣 2——评论区聊聊。

项目地址：github.com/guillaumemeyer/watermarks-remover

许可证：MIT | 语言：Python | Star：11k+

— 开源开研 · 你发现值得看的开源项目 —