TextSeal2, un esquema de marca de agua para la salida de modelos de lenguaje grandes desarrollado por investigadores de Meta Superintelligence Labs, cierra una brecha que el speculative decoding había abierto en todas las marcas de agua sin distorsión anteriores: cuando los tokens de un modelo borrador son rechazados y reemplazados, el texto de reemplazo solía perder su señal o dividirla entre claves. Según el paper, publicado en arXiv, TextSeal2 detecta 18 y 22 puntos porcentuales más de respuestas de 200 tokens marcadas con marca de agua que su predecesor TextSeal y un método rival llamado textGrain, respectivamente, al compararlos con la misma tasa de aceptación bajo speculative decoding.
La mecánica se basa en dos cambios en la forma en que las claves de la marca de agua tocan el muestreador. TextSeal, el esquema anterior del equipo, dirigía cada token a una de dos claves mediante una moneda al aire, lo que significaba que el detector no sabía qué clave había generado un token dado y tenía que promediar las puntuaciones de ambas claves —el paper afirma que esto reduce la señal a la mitad, mientras que la desviación estándar solo cae en un factor de la raíz cuadrada de 2, por lo que la relación señal-ruido se reduce por ese mismo factor de raíz cuadrada de 2, no a la mitad directamente. TextSeal2, en cambio, fusiona los valores de las dos claves en lo que el paper llama una única "clave virtual" mediante una cópula gaussiana tomada de un método aparte llamado AutoMark, y acopla esa clave virtual a ruido nuevo. Cada token se puntúa entonces contra esta clave fusionada en lugar de dividirse entre dos, y el paper afirma que la construcción se extiende a cualquier número de claves adicionales —incluidas las compartidas públicamente— "sin diluir la detección".
El segundo cambio apunta específicamente al speculative decoding. El muestreo Gumbel-max, el esquema sobre el que se construyen tanto TextSeal como TextSeal2, se presenta en el paper como una "carrera exponencial" entre tokens candidatos, cada uno corriendo por un carril a una velocidad fijada por su probabilidad. Dado que las distribuciones exponenciales carecen de memoria, el tiempo de carrera restante entre los tokens que perdieron una ronda de borrador es en sí mismo un nuevo sorteo exponencial. TextSeal2 explota esa propiedad ejecutando lo que el paper llama una "carrera residual" sobre esos restos para decidir tanto dónde se detiene el bloque borrador como qué token de reemplazo se emite —reproduciendo exactamente la propia regla de parada de la verificación por bloques, por lo que la Proposición 1 del paper sostiene que la distribución de salida coincide precisamente con la del modelo objetivo y que la tasa de aceptación no cambia.
En cuanto a los números operativos, el paper informa que su paso de decodificación queda "dentro del 0.6%" de la latencia de TextSeal una vez que el cómputo exclusivo de claves se superpone con el forward pass del modelo, y afirma sin rodeos que el esquema "no añade latencia de inferencia medible". La tasa de aceptación también se mantuvo estable: con verificación por bloques y 8 borradores por ronda en Qwen3.5-9B emparejado con un borrador Qwen3.5-0.8B, la decodificación sin marca de agua emite 2.74 tokens por ronda, y el paper informa que la carrera residual de TextSeal2 difiere en solo +0.02 tokens por ronda (intervalo del 95% de -0.01 a +0.05), igualando la tasa de aceptación de los esquemas de referencia dentro de 0.04 tokens. El único esquema que no mantuvo la tasa de aceptación fue la propia receta de speculative decoding de textGrain, que verifica directamente entre distribuciones marcadas con marca de agua y, según el paper, pierde como resultado el 5% de los tokens por ronda.
El compromiso se manifiesta fuera del speculative decoding, en el caso base. Con diversidad de salida igualada en Qwen3.5-27B, el paper informa que TextSeal2 queda 5 puntos porcentuales por detrás de textGrain (intervalo de -10 a 0) a los 100 tokens —el único escenario entre los tres modelos probados en el que un esquema de referencia lo supera. El paper también señala que la paráfrasis hecha por un LLM "elimina casi toda marca de agua", una limitación que, según afirma, se aplica a los esquemas a nivel de token en general, y no es una debilidad específica de TextSeal2. Y las cifras de detección a lo largo del trabajo se apoyan en una tasa de falsos positivos de 10⁻³ calibrada empíricamente frente a 100,000 valores p nulos, en lugar de una garantía estadística de forma cerrada, lo cual el paper afirma explícitamente que se debe a que "ninguna nula de forma cerrada es exacta en la práctica".
Para los equipos que ejecutan speculative decoding únicamente para reducir el costo de inferencia, la lectura práctica es que la marca de agua y la optimización de la tasa de aceptación ya no tienen que ir en contra una de la otra: la carrera residual de TextSeal2 permite que una señal de procedencia viaje sobre los tokens borradores sin reajustar el detector ni renunciar a las ganancias de tokens por ronda que el speculative decoding existe para ofrecer —pero la ventaja sobre esquemas más simples se reduce o se revierte en modelos más grandes, por lo que vale la pena revisar la curva de diversidad-detección en el tamaño de modelo específico antes de adoptarlo.