该论文《AutoMark: Enabling Autoresearch to Discover Better LLM Watermarks》研究如何让自动化研究代理（autoresearch agents）自主发现新的、更优的大语言模型（LLM）文本水印方案。背景是：LLM 水印已在商业场景中部署，并被监管要求强制使用，但该领域的进展长期依赖人类研究者逐个改进已有方法的细节，迭代速度受限于人力。作者提出 AutoMark 框架，首次实现「无失真（distortion-free）且达到当前最优水平」的水印方案的自动发现。框架由三部分构成：(i) 一套严格的水印可靠性判据，确保新方案不会出现异常高的误报率等可靠性问题；(ii) 严格的统计检验方法，用于自动判定某个水印方案是否满足上述判据；(iii) 一个评估套件，从可检测性（detectability）、生成质量（quality）、鲁棒性（robustness）三个关键维度对水印方案进行排序打分。作者用 3 个前沿模型（GPT-6 Astra、Opus 5、Gemini-3.8 Flash）运行该框架，共发现 50 多种不同的水印方案，其中若干方案在全部关键维度上都超越了此前的工作。除自动搜索外，作者还对发现的方案做了人工分析，把其中的关键思想拆解为更小的组件，并逐个研究每个组件在可检测性、质量和鲁棒性维度上的影响，以理解这些方案为何有效。值得注意的是，代理不仅能改进已有思路，还发现了原理上全新的想法，例如让水印评分与「每次请求随机生成的方向」对齐。该工作为完全自主的水印研究奠定了基础，代码与可视化博客均已公开。