随着大型语言模型（LLM）的快速发展，文本水印技术成为识别机器生成内容的关键手段。然而，现有基于logits的水印方法直接应用于代码生成时面临挑战：代码的低熵特性加剧了代码质量与水印可检测性之间的权衡。本文提出一种名为Grammar-Driven Watermark（GDW）的新型代码水印方法。GDW通过语法引导的三级掩码机制保持语法有效性，并通过结构角色感知调制注入水印信号：对内容承载令牌分配更强偏置，而对语法关键令牌应用更保守偏置。与生成过程对齐，进一步设计了角色感知加权检测统计量以提高可检测性。跨多种编程语言、模型和解码策略的实验表明，GDW相比现有方法建立了更强的质量-可检测性权衡前沿，同时保持对变量重命名攻击的鲁棒性。

该论文提出了一种名为多通道扩频码水印（Multi-Channel Spread-Spectrum Code Watermarking）的新方法，用于解决大型语言模型（LLM）生成代码的归属问题。现有方案分为生成时水印和事后水印：生成时水印需要访问产生模型且无法应用于第三方代码；事后水印虽可处理任意代码，但有效载荷最多仅4比特，不足以区分大量模型配置。本文首次实现了一种事后、无需训练、具有24比特有效载荷且具备形式化鲁棒性保证的代码水印方案。该方法在变量命名约定和八对语义等价的代码模式中编码比特，并通过密钥伪随机排列将每个位置映射到码字比特，使得每个比特获得多个独立投票。多数投票吸收分布式损坏，而外层的Reed-Solomon码在集中信道攻击破坏投票时恢复标识符，从而为格式化、句法和结构攻击提供了可证明的鲁棒性边界。在来自CodeNet、GPT-4.1和Llama-4生成的1750个Python文件上，该方法实现了100%的干净检测准确率和零误报。在17种攻击类型下，它能在8次变量重命名后以97.6%的准确率恢复标识符，在10%随机位置损坏下达到94.1%的准确率，而最强的事后基线在任何单变换攻击下准确率降至0%。嵌入和检测均在CPU上不到200毫秒完成，无需训练数据或GPU。