Kể từ tháng 8 năm 2026, mỗi khối văn bản do Claude tạo ra sẽ mang một hình mờ vô hình. Bạn không thể nhìn thấy nó, trình kiểm tra chính tả sẽ không đánh dấu nó, và nó vẫn tồn tại sau khi sao chép-dán từ Claude trực tiếp vào tài liệu của bạn. Anthropic đã xây dựng nó để văn bản do AI viết có thể được truy ngược về mô hình, và dấu vết đó tồn tại một cách lặng lẽ bên trong chính các từ ngữ.
Nếu bạn sở hữu nội dung bạn đã tạo và muốn loại bỏ dấu vết đó, một dự án mã nguồn mở có tên watermarks-remover là công cụ mà hầu hết mọi người đang tìm kiếm. Hướng dẫn này sẽ giải thích hình mờ của Claude thực sự là gì, công cụ có thể và không thể loại bỏ những gì, và chính xác cách chạy nó.
Một lưu ý trước khi chúng ta bắt đầu: đây là về việc giữ gìn vệ sinh và quyền riêng tư đối với văn bản và tệp bạn sở hữu. Việc loại bỏ một dấu vết nguồn gốc để gian lận học thuật, né tránh chính sách công bố, hoặc giả mạo tác phẩm AI thành tác phẩm của con người theo một hợp đồng cấm điều đó là một ý tưởng tồi và thường đi ngược lại các quy tắc ràng buộc bạn. Hãy nắm rõ các điều khoản bạn đang thực hiện.
TÓM TẮT
- Dấu vết là gì: Claude điều chỉnh lựa chọn từ ngữ của mình theo một khóa bí mật, để lại một dấu hiệu thống kê trải rộng khắp một đoạn văn. Nó không phải là một ký tự ẩn mà bạn có thể tìm và xóa. Ngoài ra còn có một thẻ siêu dữ liệu C2PA cấp độ tệp riêng biệt trên hình ảnh và một số tài liệu.
- Những gì còn lại: Dấu văn bản thống kê vẫn tồn tại sau khi sao chép-dán. Nó bị suy giảm khi diễn giải lại, chỉnh sửa nhiều và dịch thuật. Nó yếu hoặc không có trong các đoạn văn ngắn và trong mã (các trình định dạng sẽ xóa bỏ chút tín hiệu còn sót lại).
- Công cụ: watermarks-remover là một bộ công cụ mã nguồn mở theo giấy phép MIT, yêu cầu Python 3.10+ và thư viện chuẩn. Nó xử lý hai công việc khác nhau với hai lớp khác nhau.
- Lớp A (xác định): Loại bỏ các ký tự Unicode vô hình, dấu cách lạ, ký tự bidi và ký tự thẻ khỏi văn bản. Nhanh chóng, có thể kiểm tra, không mất dữ liệu. Đây là phần đáng tin cậy.
- Lớp B (thống kê): Tấn công hình mờ lấy mẫu token bằng cách viết lại văn bản. Chỉ là nỗ lực tốt nhất, và việc viết lại sẽ làm giảm chất lượng văn xuôi của bạn.
- Tệp: Loại bỏ C2PA, EXIF, XMP và các thuộc tính tài liệu khỏi PNG, JPEG, SVG, PDF, DOCX, ODT, HTML và Markdown.
- Vấn đề thực tế: Việc loại bỏ xác định sạch sẽ rất dễ. Việc loại bỏ hoàn toàn hình mờ thống kê có nghĩa là viết lại nội dung, đây chính xác là sự đánh đổi về chất lượng mà bạn đang cố gắng tránh.
Hình mờ của Claude thực sự là gì
Bắt đầu với điều mà hầu hết mọi người thường hiểu sai. Hình mờ văn bản của Claude không phải là một chuỗi các ký tự ẩn nằm giữa các từ của bạn. Không có khoảng trắng rộng bằng không để tìm kiếm, không có ký tự lạ đáng ngờ nào để cô lập, không có khoảng cách chữ kỳ lạ nào để đo lường.
Thay vào đó, dấu vết nằm trong chính các từ ngữ. Khi Claude tạo văn bản, ở mỗi bước, nó chọn token tiếp theo từ một tập hợp các ứng cử viên gần như tương đương về mặt thống kê. Hình mờ làm sai lệch lựa chọn đó theo một khóa bí mật. Trong một đoạn văn đủ dài, những lựa chọn được điều chỉnh đó sẽ tạo thành một dấu hiệu thống kê có thể phát hiện được. Đọc một câu và bạn sẽ không bao giờ biết. Đưa vài trăm từ vào một công cụ phát hiện giữ khóa và mẫu sẽ hiện ra.
Thiết kế đó có hai hệ quả quan trọng đối với việc loại bỏ:
- Nó tồn tại sau khi sao chép-dán. Vì tín hiệu được tích hợp vào lựa chọn từ ngữ, chứ không phải siêu dữ liệu, nên việc di chuyển văn bản từ ứng dụng này sang ứng dụng khác sẽ mang theo hình mờ.
- Nó dễ bị phá vỡ khi chỉnh sửa. Thay đổi đủ các từ và bạn sẽ phá vỡ mẫu thống kê. Diễn giải, dịch hoặc kết hợp đầu ra của Claude với bài viết của riêng bạn và tín hiệu sẽ suy giảm.
Anthropic đã triển khai tính năng này ở cấp độ mô hình bắt đầu từ ngày 2 tháng 8 năm 2026, có nghĩa là không có sản phẩm nào có thể từ chối. Các ứng dụng Claude, API, Claude Code và quyền truy cập của bên thứ ba thông qua AWS, Google Cloud và Microsoft Foundry đều phát ra dấu vết này. Anthropic đã tuyên bố rằng một API phát hiện sẽ ra mắt để người dùng và bên thứ ba có thể kiểm tra. Nếu bạn muốn biết thêm về cách các dòng mô hình và chính sách truy cập của Anthropic đã thay đổi, chúng tôi đã đề cập đến một sự kiện liên quan trong bài Fable 5 Is Down for Everyone.
Một lưu ý đáng nhắc lại, vì nó có hai mặt: việc phát hiện dương tính có nghĩa là văn bản có thể đã đi qua Claude, chứ không phải ai đó đã gian lận. Việc kiểm tra lỗi, dịch thuật và tóm tắt đều để lại dấu vết tương tự như viết thuê.
Hai loại hình mờ khác nhau, hai cách khắc phục khác nhau
watermarks-remover chia công việc thành các lớp vì Claude (và các nhà cung cấp khác) thực sự sử dụng hai hệ thống đánh dấu không liên quan, và chúng cần được xử lý hoàn toàn khác nhau.
Lớp A, loại bỏ ký tự xác định. Lớp này nhắm mục tiêu vào các ký tự Unicode vô hình: khoảng trắng rộng bằng không, khoảng trắng lạ, các điều khiển văn bản hai chiều và các ký tự thẻ Unicode. Một số công cụ và quy trình nhúng dữ liệu nguồn gốc hoặc theo dõi theo cách này. Lớp A là Python thuần túy không liên quan đến mô hình, vì vậy nó mang tính xác định, có thể kiểm tra và không mất dữ liệu, nó loại bỏ rác mà không ảnh hưởng đến văn xuôi thực tế của bạn. Đây là phần "chỉ cần hoạt động".
Lớp B, viết lại thống kê. Đây là lớp nhắm mục tiêu vào hình mờ lấy mẫu token của Claude được mô tả ở trên. Vì tín hiệu là lựa chọn từ ngữ, cách duy nhất để loại bỏ nó là thay đổi từ ngữ: viết lại văn bản từng câu một. Dự án này thẳng thắn rằng đây là nỗ lực tốt nhất, không phải là sự đảm bảo, và việc viết lại sẽ làm giảm phong cách và có thể làm mất đi sự chính xác.
Tệp, loại bỏ siêu dữ liệu. Tách biệt với văn bản, công cụ này làm sạch các bản kê khai C2PA, EXIF, XMP và các thuộc tính tài liệu khỏi PNG, JPEG, SVG, PDF, DOCX, ODT, HTML và Markdown. C2PA là tiêu chuẩn của Liên minh về Nguồn gốc và Xác thực Nội dung, một bản kê khai đã ký đi kèm với một tệp. Không giống như dấu văn bản thống kê, C2PA dễ dàng bị loại bỏ: lưu lại tệp, chuyển đổi định dạng hoặc chụp ảnh màn hình và bản kê khai sẽ biến mất.
Công cụ này hỗ trợ các dấu vết của Claude, Gemini/SynthID-Text, OpenAI và mã nguồn mở (kiểu Kirchenbauer) với cùng một kiến trúc. Các hình mờ hình ảnh theo miền pixel như SynthID nằm ngoài phạm vi loại bỏ, mặc dù dự án có thể tùy chọn chấm điểm chúng thông qua một kiểm tra ngược SynthID bên ngoài.
Những gì hình mờ tự bỏ sót
Trước khi bạn chạy bất cứ điều gì, đáng để biết những điểm mà dấu vết của Claude đã yếu. Trong những trường hợp này, việc loại bỏ dễ dàng hoặc không cần thiết:
- Các đoạn văn ngắn. Một vài câu không chứa đủ lựa chọn token để tích lũy độ tin cậy thống kê. Công cụ phát hiện cần độ dài.
- Mã. Mã nguồn có ít lựa chọn token hơn nhiều so với văn xuôi, vì vậy tín hiệu ban đầu đã mờ nhạt. Sau đó, các trình định dạng, linter và công cụ tái cấu trúc sẽ viết lại bất kỳ entropy nào còn sót lại. Đến khi mã của bạn được cam kết, thường thì không còn gì để phát hiện. Đây là lý do tại sao hình mờ trên đầu ra của Claude Code mang tính lý thuyết hơn là thực tế.
- Văn bản được chỉnh sửa nhiều. Nếu bạn đã viết lại một nửa nó, bạn có thể đã phá vỡ mẫu mà không cố ý.
- C2PA trên tệp. Bất kỳ chuyển đổi định dạng hoặc lưu lại nào thường sẽ loại bỏ nó.
Điều đó có nghĩa là phạm vi thực tế của một công việc "loại bỏ" thường là: văn xuôi dài mà bạn giữ nguyên hầu hết như Claude đã viết, cộng với bất kỳ siêu dữ liệu tệp nào.
Cài đặt watermarks-remover
Dự án được phân phối dưới dạng một kỹ năng tác nhân cùng với một bộ tập lệnh Python độc lập. Bạn cần Python 3.10+; các tập lệnh cốt lõi chỉ sử dụng thư viện chuẩn, vì vậy không cần pip install cho các tác vụ văn bản và siêu dữ liệu cơ bản.
git clone https://github.com/guillaumemeyer/watermarks-remover.git
cd watermarks-remover
Nếu bạn muốn gọi nó như một kỹ năng tác nhân (các ví dụ của kho lưu trữ sử dụng thư mục kỹ năng kiểu Grok), hãy liên kết thư mục kỹ năng:
mkdir -p ~/.grok/skills
ln -sfn "$(pwd)/skills/remove-ai-marks" ~/.grok/skills/remove-ai-marks
Đối với những người khác, bạn sẽ gọi các tập lệnh trực tiếp. Đặt một lối tắt đến thư mục tập lệnh để các lệnh dưới đây dễ đọc:
export SCRIPTS="$(pwd)/skills/remove-ai-marks/scripts"
Hai công cụ dòng lệnh tùy chọn mở rộng khả năng làm sạch tệp nếu bạn đã cài đặt chúng:
c2patoolđể kiểm tra chi tiết các bản kê khai C2PA.exiftoolđể loại bỏ các siêu dữ liệu hình ảnh còn sót lại mà Lớp A không xử lý được.
Không có công cụ nào trong số này là bắt buộc đối với quy trình làm việc cốt lõi.
Kiểm tra tệp trước khi xử lý
Đừng bao giờ loại bỏ một cách mù quáng. Hãy chạy trình kiểm tra trước để bạn biết những gì thực sự có mặt, các ký tự vô hình, khối siêu dữ liệu, bản kê khai nguồn gốc, trước khi bạn quyết định loại bỏ cái gì.
python3 "$SCRIPTS/inspect_file.py" draft.md
Điều này báo cáo những gì công cụ phát hiện mà không sửa đổi bất cứ điều gì. Nó tương đương với việc đọc mục tiêu trước khi bạn ghi đè lên nó: nếu trình kiểm tra hiển thị tệp đã sạch, bạn đã hoàn thành, và nếu nó phát hiện ra điều gì đó đáng ngạc nhiên, bạn có thể quyết định trước khi bất kỳ byte nào thay đổi.
Xóa dấu vết khỏi văn bản
Để làm sạch Lớp A một cách xác định, đáng tin cậy, không mất dữ liệu, hãy sử dụng clean_text.py. Cờ --stats sẽ in ra bản tóm tắt những gì nó đã tìm thấy và loại bỏ:
python3 "$SCRIPTS/clean_text.py" draft.md -o draft.cleaned.md --stats
Điều này loại bỏ các ký tự Unicode vô hình, khoảng trắng lạ, điều khiển bidi và ký tự thẻ. Nó giữ nguyên văn xuôi hiển thị của bạn, vì vậy không có chi phí về chất lượng. Đối với hầu hết mọi người lo lắng về các ký tự theo dõi ẩn thay vì dấu thống kê, lệnh đơn này là toàn bộ công việc.
Cờ -o ghi vào một tệp mới thay vì ghi đè lên tệp gốc, hãy giữ tệp nguồn cho đến khi bạn đã xác minh kết quả.
Loại bỏ siêu dữ liệu khỏi tệp
Đối với hình ảnh và tài liệu, clean_file.py loại bỏ C2PA, EXIF, XMP và các thuộc tính tài liệu được nhúng:
python3 "$SCRIPTS/clean_file.py" photo.png -o photo.cleaned.png
Nó xử lý PNG, JPEG, SVG, PDF, DOCX, ODT, HTML và Markdown. Nếu bạn đã cài đặt exiftool và muốn kỹ lưỡng với hình ảnh, hãy chạy nó sau đó để bắt bất kỳ thẻ còn sót lại nào:
exiftool -all= photo.cleaned.png
Hãy nhớ rằng C2PA là trường hợp dễ dàng. Nếu mối quan tâm duy nhất của bạn là bản kê khai nguồn gốc trên hình ảnh do Claude tạo, việc chuyển đổi định dạng qua lại thường tự loại bỏ nó, công cụ này chỉ thực hiện nó một cách sạch sẽ và có thể dự đoán được.
Vấn đề của Lớp B: viết lại để đánh bại thống kê
Đây là nơi sự trung thực quan trọng hơn cú pháp lệnh.
Dấu văn bản thống kê chỉ có thể được loại bỏ bằng cách thay đổi các từ. Công cụ này thực hiện điều này thông qua rewrite_text.py, công cụ này chuẩn bị một lượt diễn giải lại:
python3 "$SCRIPTS/rewrite_text.py" draft.md --backend print-prompt --strength paraphrase
Tùy chọn --backend print-prompt phát ra lời nhắc viết lại thay vì gọi trực tiếp một mô hình, vì vậy bạn vẫn kiểm soát được quá trình viết lại. --strength kiểm soát mức độ mạnh mẽ của việc viết lại.
Nhưng hãy đọc kỹ những gì bạn thực sự đồng ý. Để phá vỡ một tín hiệu được phân phối thông qua lựa chọn từ ngữ, bạn phải viết lại từng câu một. Điều đó:
- Làm mất đi phong cách. Cách diễn đạt cụ thể mang dấu mờ cũng mang cả giọng văn.
- Nguy cơ mất chính xác. Việc diễn đạt lại nội dung kỹ thuật có thể âm thầm thay đổi ý nghĩa.
- Cần một mô hình có khả năng tốt để thực hiện, đến lúc đó bạn đang chi tiêu token cao cấp để viết lại đầu ra của mô hình cao cấp.
Bản thân dự án đặt ra câu hỏi rõ ràng: nếu bạn cần một mô hình mạnh mẽ để diễn giải lại văn bản của Claude thành một thứ không có hình mờ mà không làm hỏng nó, thì đó có phải là một giải pháp thay thế rẻ tiền hay chỉ là… chi tiêu nhiều token hơn cho bản sao bị giảm chất lượng? Đối với hầu hết các trường hợp hợp pháp, câu trả lời là Lớp B không đáng. Nếu văn bản ngắn, hoặc là mã, dấu vết có lẽ đã quá yếu để quan trọng. Nếu đó là văn xuôi dài mà bạn quan tâm, việc viết lại sẽ làm hỏng thứ bạn đang cố gắng giữ.
Bài học thực tế: thường xuyên chạy Lớp A và trình dọn dẹp tệp; chỉ sử dụng Lớp B khi bạn có lý do cụ thể, hợp pháp và bạn chấp nhận sự đánh đổi về chất lượng.
Xác minh công việc của bạn
Việc loại bỏ chỉ hiệu quả khi bạn có khả năng xác nhận nó. Chạy lại trình kiểm tra trên đầu ra:
python3 "$SCRIPTS/inspect_file.py" draft.cleaned.md
Riêng đối với C2PA, c2patool cung cấp cho bạn thông tin rõ ràng về việc liệu bản kê khai có còn tồn tại hay không:
c2patool photo.cleaned.png
Đối với dấu văn bản thống kê, việc xác minh trung thực khó hơn, bạn không nắm giữ khóa của Anthropic. Khi API phát hiện mà Anthropic hứa hẹn ra mắt, đó sẽ là bài kiểm tra thực sự. Cho đến lúc đó, hãy coi kết quả của Lớp B là chưa được xác nhận theo định nghĩa. Nếu bạn xây dựng bất kỳ điều nào trong số này thành một quy trình lặp lại, bước xác minh đó chính xác là loại hành vi đáng để kiểm tra giống như bất kỳ quy trình làm việc API nào khác; các nhóm tự động hóa việc kiểm tra nội dung hoặc mô hình thường tích hợp chúng vào một công cụ kiểm tra API như Apidog để kiểm tra "dấu vết có quay lại không" chạy theo cùng một cách mỗi lần. Để biết mẫu rộng hơn về việc kiểm tra các điểm cuối được hỗ trợ bởi mô hình, hãy xem How to Test AI Agents Over an API.
Rào cản pháp lý và đạo đức
Khung định nghĩa của công cụ là đúng đắn: đây là để bảo vệ quyền riêng tư và sự "vệ sinh" đối với nội dung bạn sở hữu. Điều đó bao gồm việc loại bỏ các ký tự theo dõi khỏi bản nháp của bạn, làm sạch siêu dữ liệu khỏi hình ảnh trước khi bạn xuất bản chúng, hoặc xóa một thẻ nguồn gốc khỏi bài viết mà bạn coi là của mình.
Nó không bao gồm:
- Gian lận học thuật. Nếu tổ chức của bạn yêu cầu công bố hoặc cấm các bài nộp do AI tạo ra, việc xóa dấu vết để che giấu điều đó là hành vi sai trái bất kể đầu ra trông sạch sẽ đến đâu.
- Vi phạm hợp đồng. Rất nhiều thỏa thuận với khách hàng và điều khoản nền tảng yêu cầu công bố AI. Việc hình mờ vô hình không làm cho nghĩa vụ đó cũng vô hình.
- Gán sai tác giả. Giả mạo tác phẩm AI thành tác phẩm của con người khi điều đó lừa dối đáng kể một người nào đó chính là tác hại mà dấu vết nguồn gốc tồn tại để ngăn chặn.
Cũng có một lý do thực tế để không quá phụ thuộc vào bất kỳ điều này: việc phát hiện có thể có hai mặt. Một dấu hiệu hình mờ không chứng minh quyền tác giả, và sự vắng mặt của nó cũng không chứng minh nguồn gốc con người. Xây dựng một quy trình làm việc xung quanh việc đánh bại một tín hiệu vốn đã mơ hồ thường tốn nhiều công sức hơn mức tình huống cho phép. Khi nghi ngờ, hãy tiết lộ. Điều đó rẻ hơn là bị phát hiện không tiết lộ.
Nếu bạn quan tâm ít hơn đến việc che giấu việc sử dụng AI và nhiều hơn đến việc chạy các mô hình theo các điều khoản của riêng bạn, với chính sách nguồn gốc của riêng bạn và không có hình mờ của nhà cung cấp ngay từ đầu, thì việc tự lưu trữ là câu trả lời sạch sẽ hơn. Chúng tôi đã đề cập đến các tùy chọn hiện tại trong bài The Best Local LLMs to Run in 2026.
Câu hỏi thường gặp
Tôi có thể chỉ tìm và xóa các ký tự hình mờ trong văn bản của Claude không? Không. Hình mờ văn bản của Claude không được tạo thành từ các ký tự ẩn, nó là một sự sai lệch thống kê trong việc lựa chọn từ ngữ. Không có gì để tìm kiếm và xóa. (Một số công cụ khác có chèn các ký tự vô hình, và Lớp A của watermarks-remover sẽ loại bỏ chúng. Nhưng đó là một cơ chế khác với dấu thống kê của Claude.)
Sao chép-dán đầu ra của Claude có loại bỏ hình mờ không? Không. Dấu thống kê được nhúng vào các từ, vì vậy nó tồn tại sau khi sao chép-dán giữa các ứng dụng. Chỉ khi chỉnh sửa văn bản thực tế mới làm nó suy giảm.
watermarks-remover có miễn phí không? Có. Nó là mã nguồn mở theo giấy phép MIT. Các tập lệnh cốt lõi cho văn bản và siêu dữ liệu chỉ cần Python 3.10+ và thư viện chuẩn.
Nó có hoạt động trên đầu ra của Claude Code không? Nó sẽ chạy, nhưng hình mờ thường đã quá yếu để quan trọng trong mã. Mã nguồn có ít lựa chọn token bị hạn chế, và các trình định dạng và linter xóa bỏ hầu hết tín hiệu còn lại. Thường thì có rất ít để loại bỏ.
Nó có loại bỏ hình mờ hình ảnh như SynthID không? Không phải loại miền pixel. Nó loại bỏ siêu dữ liệu cấp tệp (C2PA, EXIF, XMP) một cách sạch sẽ, và nó có thể tùy chọn chấm điểm các dấu SynthID thông qua thiết lập ngược SynthID bên ngoài, nhưng việc loại bỏ hình mờ trong pixel nằm ngoài phạm vi.
Việc loại bỏ hình mờ có hợp pháp không? Việc loại bỏ dấu vết nguồn gốc khỏi nội dung bạn sở hữu không phải là bất hợp pháp, nhưng nó có thể vi phạm các chính sách học thuật, hợp đồng hoặc điều khoản nền tảng yêu cầu công bố AI. Công cụ này nhằm mục đích bảo vệ quyền riêng tư trên nội dung của riêng bạn, chứ không phải để trốn tránh các nghĩa vụ đó.
Làm thế nào để tôi biết dấu thống kê đã thực sự biến mất? Hiện tại bạn phần lớn không thể tự xác minh điều đó, vì bạn không giữ khóa của Anthropic. Khi API phát hiện mà Anthropic hứa hẹn ra mắt, đó sẽ là bài kiểm tra thực sự. Ngược lại, việc loại bỏ ký tự Lớp A và loại bỏ C2PA dễ dàng xác minh bằng trình kiểm tra và c2patool.