Patronus AI研究人員根據熱門書籍內容建立100個提示，來測試知名大型語言模型輸出內容是否涉及侵權，結果顯示，GPT-4、Mixtral-8x7B-Instruct-v0.1生成內容涉及複製既有版權內容的比例，高於Claude-2.1以及Llama-2-70b-chat。（／Patronus AI）

專門開發大型語言模型（LLM）評估工具的Patronus AI，本周發表了CopyrightCatcher API，可用來偵測LLM的輸出結果有否含有侵權內容。

Patronus AI表示，LLM的訓練資料經常含有受到版權保護的內容，也很容易自這些內容生成精確的複製品，而替在生產系統中建置及使用LLM的企業帶來重大的法律與聲譽風險，例如OpenAI、Anthropic及Microsoft都曾面臨來自作者、音樂出版業者，或是《紐約時報》的侵權訴訟。

在美國的著作權法中，存在著合理使用範圍，亦即在基於研究、教學或新聞等前提下，可未經版權所有人同意而有限使用這些受到版權保護的內容。

為了檢查LLM的侵權狀況，Patronus AI研究人員從Goodreads的熱門單抽取了受到版權保護的書籍樣本，基於這些書籍建立了100個提示，其中有50個要求LLM生成書籍的第一段，另外50個則提供書籍中的片段，再要求LLM生成，再用以測試OpenAI的GPT-4 、Mistral的Mixtral-8x7B-Instruct-v0.1、Anthropic的Claude-2.1，以及Meta的Llama-2-70b-chat。

研究人員發現有44%的提示讓GPT-4生成侵權內容，有22%的提示令Mixtral-8x7B-Instruct-v0.1生成侵權內容，讓Claude-2.1與Meta的Llama-2-70b-chat生成侵權內容的提示比例，則各自是8%與10%。

Patronus AI說明，他們無法直接評估模型輸出是否侵犯版權，因此檢查了模型所生成的文字中，是否包含從版權書籍中直接複製的100個及以上的字元（100個字元大約可構成14~25個單字），在理想的情況下，為了最大限度地減少版權侵權風險，模型應該要避免逐字複製書中的文本，而是要解釋文本所要傳達的概念。

此一對抗性版權測試或許有些嚴格，畢竟它詢問的是書籍的第一段，或者是要求LLM完成書籍中基於片段的文字，若LLM的生成以其它的文字取代，則有失真實。

不論如何，Patronus AI據此開發了CopyrightCatcher API，可用來偵測LLM何時從書籍等文字來源精確地複製內容，同時彰顯輸出中任何受到版權保護的文字。

除了抓出生成中的侵權內容之外，先前Patronus AI已推出可用來偵測商業敏感資訊的LLM資料集EnterprisePII，以及針對LLM回答金融問題能力的基準測試FinanceBench。