A saída de um modelo de linguagem não carrega nenhum registro detectável da computação interna que a produziu. Um novo artigo de Benjamin Belay, publicado em 17 de agosto de 2026, introduz o termo "proveniência computacional" e demonstra que as saídas podem carregar tal evidência se o modelo for engenheirado dessa forma desde o treinamento.

A distinção importa para implantações de alto risco. Esquemas de marca d'água como Google's SynthID-Text, PVMark e VOW abarcam uma questão diferente: se uma saída foi gerada por um modelo específico. O alvo de Belay é mais difícil — uma saída pode provar qual caminho de raciocínio interno foi usado, não apenas qual modelo a gerou? Em contextos de saúde, finanças ou lei, um auditor não pode verificar se a computação que produziu uma resposta foi a pretendida, foi pulada ou foi corrompida no meio do caminho.

A configuração experimental é mínima. Duas arquiteturas—uma rede feed-forward modular e um transformer—foram treinadas em tarefas aritméticas com um caminho obrigatório através de dois estados intermediários discretos. Como os dois estados produzem respostas finais idênticas, comparação externa não pode distinguir qual caminho o modelo tomou. Os pesquisadores autenticam o estado usado, então treinam o modelo para que o estado verificado incorpore um padrão estatístico sutil no texto gerado. Um detector a jusante recupera esse padrão sem acesso aos pesos ou ativações do modelo.

Ambas as arquiteturas passaram em todos os 128 pares correspondentes em avaliações públicas, e o mesmo resultado manteve-se em avaliações protegidas end-to-end seladas. A computação causal exigida se reproduziu através de cinco modelos feed-forward independentemente treinados e três transformers independentemente treinados. Zero falhas em todas as configurações.

A limitação crítica é o que previne implantação imediata. Em um experimento separado usando um transformer padrão treinado sem estados intermediários discretos obrigatórios, probes lineares falharam em recuperar um estado intermediário aprendido naturalmente das saídas. Representações internas emergentes naturalmente não se auto-anotam no texto gerado—o sinal de proveniência deve ser engenheirado durante o treinamento. Nenhum caminho de retrofit para modelos existentes é demonstrado aqui.

Isso difere do que sistemas de marca d'água atuais resolvem. VOW (abril de 2026) reformula detecção de marca d'água como computação segura de duas partes usando Funções Pseudoaleatórias Oblíquas Verificáveis, resolvendo a lacuna de confiança entre usuário e provedor. PVMark usa provas de conhecimento zero para que terceiros possam verificar resultados de detecção sem a chave secreta. Marcas d'água inforjáveis da Universidade de Washington introduzem assinaturas digitais robustas para prevenir atribuição falsa. Todas abarcam atribuição de saída—quem fez este texto. Proveniência computacional abarca verificação de raciocínio—qual computação produziu este texto. São problemas ortogonais que a conversa sobre conformidade de IA regularmente conflata.

Para arquitetos construindo em direção à conformidade do Artigo 50 da Lei de IA da UE ou requisitos de auditoria interna, o teto prático de marca d'água existente é visível: esquemas confiando em logit-bias no tempo de inferência podem ser removidos por paráfrase, desabilitados trivialmente em modelos de peso aberto, e exigem horas para extrair payload para embeddings multi-bit. Proveniência computacional não resolve esses problemas. Ela opera em uma camada diferente—arquitetura de treinamento de modelo—com requisitos diferentes: estados intermediários discretos, verificados no tempo de treinamento, com o padrão estatístico incorporado no processo de geração em si.

Tarefas aritméticas com gargalos binários forçados não são inferência transformer em escala. Ativações contínuas distribuídas através de milhares de cabeças de atenção não mapeiam claramente para "dois estados intermediários discretos." Estender a abordagem para complexidade realista de tarefas—raciocínio cadeia-de-pensamento, recuperação multi-hop, chamada de ferramenta—enquanto mantém integridade causal não é demonstrado. Delta de custo de treinamento também é não reportado.

Se seu requisito de auditoria é "provar que o modelo usou a cadeia de raciocínio aprovada," nenhum sistema de produção atual responde essa questão. O artigo de Belay é a primeira demonstração controlada que a questão é respondível em tudo.