该论文提出 SAC-Copula，一种面向扩散语言模型（DLM）的保质量水印方法。与自回归解码不同，DLM 采用迭代并行去掩码机制，现有基于采样的水印方法通常注入逐位置的独立同分布扰动，与 DLM 的解码动态不匹配，导致生成质量下降。SAC-Copula 通过高斯 copula 构造平滑、局部相关的 Gumbel 扰动场，并设计了 SAC-aware 检测器，利用协方差感知滤波和原生样本校准。机制分析表明，局部相关性降低了潜在扰动的粗糙度，更好地匹配迭代精化动态。在 LLaDA 上的实验显示，SAC-Copula 相比现有基线取得了更好的质量-可检测性权衡；在 Dream-7B 和更多数据集上的进一步评估表明，相比 i.i.d. Gumbel 基线，SAC-Copula 显著改善了困惑度（PPL）尾部分布的稳定性，同时保持低假阳性率下的强可检测性和有竞争力的整体生成质量。额外的 token 编辑压力测试评估了在受控同步偏移下水印的鲁棒性。该研究的主要贡献包括：提出了新的水印构造方法，使扰动与 DLM 解码过程更兼容；设计了配套的检测算法；并通过实验验证了其优越性。适合从事大模型水印、生成式 AI 安全、内容溯源和模型版权保护方向的研究人员阅读。

该论文提出了一种针对扩散语言模型的全局草图水印方法。与自回归模型中逐token顺序生成并依赖局部上下文的水印方案不同，扩散语言模型在生成过程中同时采样多个未确定位置的分布，使得整个序列的加性统计量在生成时是可处理的。作者利用这一特性，设计了一个控制文本全局向量草图表示的水印机制。该方法通过一个与顺序无关的统计量来检测水印，避免了传统上下文相关水印中表现出的简单令牌偏置问题。论文分析了该方法的失真性（对生成质量的影响）、可靠性（检测准确性）和鲁棒性（抗攻击能力），并提供了理论保证。实验部分（摘要未详述，但推测有）验证了该方法在保持文本质量的同时实现了有效的水印嵌入和检测。该工作为扩散语言模型的可追溯性和版权保护提供了新思路。