Nous présentons une étude empirique à grande échelle quantifiant la mémorisation de matériel protégé par le droit d'auteur dans des modèles linguistiques à poids ouverts. En analysant 81 modèles provenant de 12 organisations, nous introduisons trois méthodes judiciaires novatrices : (1) *Empreinte de Jeu de Données*, qui distingue la mémorisation de versions spécifiques de texte de la familiarité générale avec le contenu en comparant la perplexité du modèle sur des passages originaux par rapport à des passages réordonnés ; (2) une *Loi de Mise à l'Échelle de Mémorisation* quantifiant comment la rétention de droit d'auteur augmente avec la taille du modèle à travers trois familles de modèles indépendantes ; et (3) *Détection d'Évasion via la Divergence Min-K%*, démontrant que les modèles ajustés par instructions conservent des connaissances identiques en matière de droit d'auteur par rapport à leurs homologues de base malgré l'entraînement à la sécurité. Nos expériences révèlent que les modèles de pointe reproduisent des passages de livres protégés par le droit d'auteur avec une précision verbatim allant jusqu'à 100 %, que les modèles plus grands mémorisent 10 à 14 % de contenu protégé par le droit d'auteur de plus que leurs homologues plus petits, et que le rapport d'empreinte pour Harry Potter dans Qwen2.5-7B atteint 4.49×, ce qui signifie que le modèle reconnaît le texte publié exact presque cinq fois mieux qu'une paraphrase de contenu équivalent. Ces résultats ont d'importantes implications pour le droit d'auteur, la réglementation de l'IA, et les obligations de transparence des développeurs de modèles.
Tarik En nakhai (Sun) a étudié cette question.