引用hajile · 2026-03
“As it turns out, AI can regurgitate verbatim large sections of copyrighted works (up to 80% according to this study[0])”
引用它说明 AI 能逐字复现受版权作品的大段内容,最高达 80%
微调可让主流 LLM 逐字复现最高 85–90% 的受版权图书内容。
前沿 LLM 公司向法院和监管者保证模型不存储训练数据副本,并依靠 RLHF、系统提示和输出过滤阻止逐字复述。作者表明微调可绕过这些保护:训练模型把情节摘要扩写成全文后,GPT-4o、Gemini-2.5-Pro 和 DeepSeek-V3.1 仅凭语义描述就能复现最高 85–90% 的留出受版权图书,单个逐字片段超过 460 词。只在村上春树小说上微调,也能解锁 30 多位无关作者图书的逐字回忆;三个不同厂商的模型记住的是同样书籍的同样区域,作者据此认为模型权重中存有受版权作品的副本,并动摇了合理使用判决所依赖的前提。
评论者用它佐证模型权重里仍然存有受版权作品的副本:即使训练过拒答和改写,微调后仍能让模型逐字复述大段内容(评论者引用的比例高达八九成)。
“As it turns out, AI can regurgitate verbatim large sections of copyrighted works (up to 80% according to this study[0])”
“"Finetuning Activates Verbatim Recall of Copyrighted Books in LLMs"”
“Even if they're trained for refusal and rewording, the data is still there in the weights.”
“We know that models like Deepseek are trained on copyrighted books too: Alignment Whack-a-Mole”