MarkLLM

给AI文本打上隐形烙印，一键识别机器生成内容

开源 🏷️完全免费 🔧 仅开源项目，无在线服务，需自行部署开源模型 🍴 复刻 96 🐛 待处理 1 👀 关注 13

GitHub ↗

GitHub 星标 ★ 1092

维护状态维护中

是否开源开源

定价模式 🏷️完全免费开源工具包，Apache-2.0 许可证，完全免费，可自行部署使用。

项目预览

项目数据

分类开源模型

开发团队THU-BPM

GitHubhttps://github.com/THU-BPM/MarkLLM

定价模式🏷️完全免费

价格说明开源工具包，Apache-2.0 许可证，完全免费，可自行部署使用。

访问状态🔧 仅开源项目，无在线服务，需自行部署

是否开源是

开源协议Apache-2.0

主要语言Python

技术栈/模型large-language-models,llm,safety,toolkit,trustworthy-ai,watermark

GitHub 星标★ 1092

上线时间2024-05-16 00:00:00

代码更新2026-09-05

仓库体积230.5 MB

本站数据更新2026-11-07

维护状态维护中

收录时间2026-08-09

浏览次数3

项目介绍

MarkLLM 是一个面向大语言模型（LLM）水印技术的开源工具包，在 EMNLP 2024 上作为 Demo 发布。它旨在解决 AI 生成文本的溯源与版权保护问题，通过为模型输出嵌入不可见的水印，帮助识别文本是否由特定模型生成。该工具包实现了多种主流水印算法，如 KGW、Aar 等，并提供了统一的评估框架，支持可视化工具，方便研究者直观对比不同算法的鲁棒性、隐蔽性和生成质量。核心能力包括：算法复现、自动化评估、可视化分析以及便捷的扩展接口，让研究人员和开发者能快速上手并定制自己的水印方案。

Star 增长趋势

本站每日记录该项目 GitHub 星标变化，观测越久曲线越完整

数据来源：GitHub API 逐日快照 · 收录于 2026-08-09 · 当前星标 ★ 1092

技术标签

large-language-models llm safety toolkit trustworthy-ai

使用教程

⚠ 本教程由 AI 依据该项目 README 整理；原始文档不完整，部分步骤为通用流程推断，实际安装请以项目官方文档为准。

难度：入门约 10 分钟部署方式：库/依赖 4 步

⚠ 该项目 README 未提供完整安装说明，以下步骤为通用流程，请以官方文档为准。

环境要求

Python 环境（项目为 Python 开发）
已安装 Git（用于克隆仓库）
可访问 GitHub 的网络

安装与启动步骤

1克隆仓库

从 GitHub 获取 MarkLLM 源码，README 未提供具体克隆命令，此为通用准备动作
```
git clone https://github.com/THU-BPM/MarkLLM.git
```
2进入目录

切换到项目根目录，准备后续操作
```
cd MarkLLM
```
3查阅安装说明

README 节选未包含安装命令，请打开完整 README 查看依赖安装与配置方式
4集成使用

参照 README 的 How to use the toolkit in your own code 章节，在代码中调用水印算法