최근 대형 언어 모델 (LLM) 을 위한 다비트 워터마킹 방법은 용량을 신뢰성보다 우선시하며, 종종 복호 (decoding) 와 검출 (detection) 을 혼동합니다. 우리의 분석에 따르면 기존 ECC 기반 추출기는 치명적인 위양성율 (FPR: False Positive Rate) 을 겪으며, 거부 임계값을 적용하면 단지 검출 민감도 (TPR: True Positive Rate) 를 우연 추측 수준으로 떨어뜨립니다.

이 구조적 한계를 해결하기 위해 우리는 extbf{BREW} (Block-wise Reliable Embedding for Watermarking, 블록 단위 신뢰성 임베딩을 위한 워터마킹) 을 제안합니다. BREW 는 extbf{지정된 검증 (designated verification)} 패러다임을 전환합니다. BREW 는 두 단계 메커니즘을 사용합니다: (i) 독립적 블록 투표 (independent block voting) 를 통한 extbf{맹문서 추정 (blind message estimation)}, 그리고 (ii) 로컬 편집에 대한 페이로드를 엄격하게 검증하는 extbf{윈도우 시프트 검증 (window-shifting verification)}.

실험 결과, BREW 는 10% 동의어 치환 (synonym substitution) 조건에서 TPR 을 0.965 로, FPR 을 0.02 로 달성했습니다. 이는 다비트 워터마킹의 고 FPR 문제가 본질적인 트레이드오프가 아니라, 이전 복호 중심 설계의 해결 가능한 구조적 결함임을 입증합니다. 우리의 프레임워크는 모델 무관 (model-agnostic) 이며 이론적으로 근거를 바탕으로 하여, 신뢰성 있는 법의학적 배포 (forensic deployment) 를 위한 확장 가능한 솔루션을 제공합니다.