原文地址：How Claude Watermarks AI-Generated Text，by Sebastian Raschka, on 2025-08-22

Claude如何为AI生成文本添加水印

一段 48 分钟的视频讲解，涵盖 token sampling、watermark detection 与水印移除方法

我最近发布了一则笔记 https://substack.com/@rasbt/note/c-315339554?r=gb4sb&utm_source=notes-share-action&utm_medium=web ，介绍了 Claude 全新的文本水印方案 https://www.anthropic.com/news/claude-text-watermark 及其实现方式。这个话题热度很高，也引发了非常热烈的讨论，我觉得可以进一步展开，更详细地讲解它的工作原理。

这次我没有采用常规的文字文章形式，而是录制了一期关于该主题的小型讲座（算是换一种内容呈现形式）。下方是视频以及对应的文字稿。

原本我只打算做 10 页幻灯片，录一段 10 分钟的短视频，但在制作过程中不断补充了不少关键细节，最终做成了超过 50 页幻灯片、时长 48 分钟的内容。希望这份讲解能把原理讲清楚，祝大家观看愉快！

如果你偏好使用 YouTube 播放器，可通过此链接观看：https://youtu.be/tLv7qRWFMlw
讲座幻灯片下载地址：https://sebastianraschka.com/pdf/slides/2026-08-18-claude-watermarking.pdf

视频文字稿

注：以下文字稿经过轻度编辑优化，提升了可读性，但完整保留了原视频讲座的内容顺序与讲解逻辑。
https://www.youtube.com/watch?v=tLv7qRWFMlw

Continue reading 【转载】Claude如何为AI生成文本添加水印→

原文地址：Building an AI Text Detector From Scratch，by Sebastian Raschka, on 2026-08-15

从零构建AI文本检测器

一个涵盖数据集构建、模型训练、本地部署与RLVR的端到端项目

Substack最近在界面中推出了AI检测功能，这非常有意思。
与此同时，很多人向我询问有哪些值得动手实践的本地LLM项目，可以作为演示，展示小语言模型（SLM）的能力。

把这两件事结合起来，我觉得实现一个AI检测器会是个很有意思的选题。我还会把它作为验证器，训练一个小语言模型来生成能够规避检测的文本。这是一个小型教学项目，用于研究AI检测器的局限性，同时探索一种基于验证器的LLM应用方向——它不同于常规基于数学和代码训练的推理模型。

图1：Substack现已内置AI检测器功能。

如上所述，本教程的核心目标是通过搭建一个简易的AI检测器，讲解其工作原理。
在实际场景中，这类检测器可以用来过滤垃圾内容，也可以用来优化个人写作风格，避免文本变成AI生成的风格。举个例子，如果你写了一篇长文，想优化拼写和语法，用语法检查工具润色、提升可读性是很诱人（也确实很实用）的做法。这类工具很多，包括ChatGPT这类通用LLM都能做到。但这也带来了风险：即便内容本质上还是你自己写的，经过这类工具过度润色后，文风会变得像AI生成的，进而被标记为垃圾内容。

比如，有了AI检测工具，我们就可以提出要求：“修正我的语法，同时保证我的文本AI生成率得分为0%。”

言归正传，我们会在本文搭建一个功能完整的检测工具，目标有两个：一是讲解AI检测工具的工作原理；二是以它为案例，讲解更通用的技术——如何构建一个可与LLM配合使用的评分器或验证器。

免责声明：AI检测本质上是一场猫鼠游戏。AI检测器可以学会识别某些AI生成内容的特征模式，但下一代LLM可能会偶然或刻意地不呈现这些模式，从而规避检测。之后检测器又要更新迭代以识别新的模型，如此循环往复。此外，检测器也难免会出现误报（把人类写的文本判定为AI生成），这一点后面会详细展开。

Continue reading 【转载】从零构建AI文本检测器→

原文地址：Kimi K3 Architecture Notes，by Sebastian Raschka, on 2026-07-28

Kimi K3 架构笔记

作者：Sebastian Raschka

本文整理了昨日重磅发布的开源权重模型 Kimi K3 的架构示意图，以及我个人的一些观察与思考。

1、诚然，它的结构看起来相对复杂，但本质上是去年发布的 Kimi Linear 模型的规模化生产版本 —— 参数量从 480 亿扩容至 2.8 万亿，K3 也是目前全球规模最大的开源权重模型。

Continue reading 【转载】Kimi K3 架构笔记→

原文地址：Using Local Coding Agents，by Sebastian Raschka, on 2026-07-27

使用本地 Coding Agent

以开源权重模型搭建本地编码框架，替代 Claude Code 与 Codex 订阅

过去常有读者问起我日常使用的本地代理技术栈，以及具体的搭建方式。
因此我打算整理一份简明教程，介绍如何用开源工具与开源权重大模型，搭建一套本地化的（编码）代理系统。

图 1：本地技术栈总览 —— 即通过推理引擎 / 运行时服务托管本地模型，在此之上运行编码代理框架。

本文是一篇搭建生产级本地编码代理的实操教程。我们将采用本地部署的大语言模型，搭配本地编码代理框架；该框架可读取文件、执行修改、运行命令并验证变更，整体架构如上图所示。

我们可以把大模型看作提供推理与代码生成能力的核心引擎，而外围的代理框架则提供运行环境，让大模型能在本地项目中完成有实际价值的编码工作。

为什么选择本地化方案？对很多编码场景而言，本地部署是 GPT（搭配 Codex）、Opus（搭配 Claude Code）这类商业服务的优质替代方案。本地架构透明可查，除硬件与电费外几乎零运行成本；数据完全由自己掌控，编码代理框架也可按需任意修改。除此之外，整个搭建过程本身也很有乐趣。

顺便一提，如果想了解编码代理框架的更多背景知识，我在这篇文章里讲过编码代理的核心组件，以及如何从零搭建一个用于学习的编码代理：
https://magazine.sebastianraschka.com/p/components-of-a-coding-agent

Continue reading 【转载】使用本地 Coding Agent→