本文提出了一种轻量级的检测时间模块——签名过滤（signature filtering），旨在提升大型语言模型（LLM）输出中统计水印的检测性能。现有的水印检测器在水印信号弱、文本重复或水印被编辑时往往表现不佳。签名过滤不修改水印嵌入和文本生成过程，而是学习一小部分“签名”标记，这些标记的存在会使水印测试不可靠，并在检测前将其移除。签名通过在一个小型训练集上求解混合整数线性规划获得，约束条件最大化真阳性率。作者还推导了在几种攻击者模型（色盲、色彩适应和分布相关）下的有限样本和渐近界。在四种知名水印族（Kgw、Sweet、Unigram、Exp）、四个基准语料库（C4、MBPP、HumanEval、Code-Search-Net）和六个LLM（Opt-1.3b、Opt-6.7b、Llama2-13b、Llama3.1-8b、Qwen2.5-14b、Phi-3-medium-14b）上的实验表明，2-gram和3-gram签名在弱信号和低熵设置下将检测率从无过滤时的8-31%提升到78-99%，同时保持假阳性率可控且通常可忽略。在压力测试中（句子打乱、25-50%的令牌被稀释、删除和替换），Kgw风格水印的2-gram过滤器保留了大部分干净文本的检测增益，通常匹配或优于先进的WinMax水印检测器。签名过滤提供了一种简单、可扩展且模型无关的附加模块，用于加强信息处理工作流中LLM文本的基于水印的溯源检查。