今天有兩件技術性強的新聞：Anthropic 開始在所有 Claude 輸出中嵌入浮水印（配合 EU AI Act），Qwen 開源了 27B 參數的多模態模型。另外還有一個開源工具 Graft，試圖解決 Claude Code 的 token 浪費問題。

🔥 Claude 文字浮水印：Anthropic 從昨天起在所有輸出中嵌入 SynthID-Text

Anthropic 從 8 月 14 日起，所有 Claude 模型輸出的文字都會帶浮水印。這是為了符合 EU AI Act 的要求——2026 年 8 月 2 日起，EU 市場要求 AI 系統提供者標記 AI 生成的內容。Anthropic 和其他主要模型開發商（約 190 個簽署方）在 2026 年 7 月簽署了 EU Code of Practice on Transparency of AI-Generated Content。

技術基礎是 Google DeepMind 在 2024 年發表在 Nature 的 SynthID-Text。原理是：LLM 生成文字時，每次選擇下一個 token 都會在多個候選詞中挑選。當有多個同樣合理的選項（例如「cold and…」後面接「overcast」或「grey」都可以），模型通常用亂數決定。浮水印的做法是：把這個亂數的 source 從「完全隨機」換成「用特定 seed 的 pseudo-random sequence」（例如 pi 的數字），這樣產生的文字看起來一樣隨機，但如果有 key，可以從統計上判斷這段文字是否來自 Claude。

Anthropic 強調的限制條件：

  • 不影響輸出品質、不增加成本、不額外產 token
  • 無法追溯到特定用戶或組織（watermark 不包含身份資訊）
  • 檢測 API 即將推出，但目前只有 Anthropic 有 key
  • 短文本、事實性文本的浮水印較稀疏（因為「正確答案」太少，沒有足夠的選擇空間來嵌入 pattern）
  • 無法區分「Claude 寫的」和「Claude 重度編輯的」
  • 如果文本被完全重寫（每個詞都換掉），浮水印會消失

全球適用的原因：Anthropic 說「we don’t yet have a durable way to scope it by region」，所以從第一天起就套用到所有 Claude 用戶，不只是 EU。

值得注意的是：watermark 只證明「Claude 可能在某個時點參與了這段內容的生成」，不能證明版權歸屬、不能判斷是否為 AI 生成（只能判斷 Claude 是否參與）、也不能檢測其他模型的浮水印（每家用不同的 key 和方法）。

Qwen 3.8 27B：Apache 2.0 授權的多模態模型，可以在消費級 GPU 跑

阿里 Qwen 團隊在 HuggingFace 上發布了 Qwen3.8-27B-FP8（量化版本），原始 27B 模型也應該在同一時間發布。這是繼昨天 2.4T 參數的 Qwen3.8-Max（MoE）之後的第二個模型，但定位完全不同——27B 是 dense model，更容易部署。

規格：

  • 27B 參數，dense 架構（不是 MoE）
  • 支援圖片 + 文字輸入（image-text-to-text）
  • FP8 版本在 HuggingFace 可用，Unsloth 也發布了 GGUF 量化版
  • Apache 2.0 授權（完全開源，無商業限制）

Model card 沒有完整的 benchmark 數據，但 FP8 量化通常只有極小的性能損失。27B 參數可以在單張消費級 GPU（例如 RTX 4090）上跑，FP8 或 GGUF 量化後甚至可以在更低階的硬體上運行。

和昨天的 2.4T MoE 對比：2.4T 是前沿級別的模型（對標 Claude Opus 5、GPT-5.6 Sol），需要大規模集群部署；27B 是本地部署友好的模型，適合個人開發者和中小企業。兩家公司的發布策略不同——Qwen 同時覆蓋前沿和本地兩個市場。

Graft：開源 Claude Code hooks，減少 42% token 浪費

NanoNets 發布了 Graft，一個開源的 Claude Code hooks 工具（MIT 授權），目標是解決 coding agent 在大型 codebase 中的 token 浪費問題。

核心數據（162 次受控測試，同一個 agent、同一個 file tools，只差別在有無 Graft）：

  • Tool calls 減少 46%
  • Token 節省 42%
  • 時間節省 60%
  • SWE-bench Verified 正確性：從 54% 提升到 66%（+12 個百分點）

原理：Graft 建立 codebase 的知識圖譜（knowledge graph），讓 agent 在需要 context 時可以精準找到相關檔案和函數，而不是用 grep 或 file search 盲目探索。這減少了 agent 在「找東西」上浪費的 token，同時提高了找到正確 context 的機率。

支援的 agent：Claude Code（深度整合）、Cursor、Codex、Gemini 等。安裝方式是 npm package，透過 MCP server 或 Claude Code 的 hooks 機制整合。

這個工具指向一個現實問題：coding agent 在大型 codebase 中的效率瓶頸不是模型能力，而是 context 管理。Agent 花大量 token 在「找對地方」，而不是「寫對程式碼」。Graft 試圖用結構化的 codebase 理解來解決這個問題。

📡 其他值得關注

  • Anthropic 發布 Claude Code 使用指南：官方 blog post「Maximizing the value of your Claude Code sessions」，說明如何高效運行 Claude Code session。→ Claude Blog

  • arXiv 論文：Contract-Grade Verifier for LLM-Generated GPU Kernels：研究如何用形式化方法驗證 LLM 生成的 GPU kernel 是否正確。→ arXiv

  • Show HN: Mole – Deep research agent for your terminal：終端機用的 deep research agent。→ GitHub