文章总结与翻译一、文章主要内容本文聚焦大型语言模型（LLMs）在文本隐写术和水印技术中存在的分词不一致（TI）问题展开研究。TI指发送方（Alice）生成文本的原始分词列表与接收方（Bob）对文本重新分词后的列表存在差异，会破坏隐写术的提取准确性和水印技术的检测鲁棒性。1. 核心问题与研究发现TI的负面影响：在隐写术中，TI会导致提取错误（如Alice生成“_no”“body”，Bob重分为“_nobody”，破坏秘密信息提取）；在水印技术中，TI会干扰水印检测，降低检测准确性。不一致 token 特征：通过对Llama-2-7b（英文）、Swallow-7b（日文）、Qwen2.5-7b（中文）三种模型的实验，发现导致TI的不一致token具有两大关键特征——低频性（token级不一致率通常低于0.5%）和暂时性（部分不一致会随后续token生成自动恢复，如Swallow-7b和Qwen2.5-7b中多数临时不一致在生成2个后续token后消失）。2. 针对性解决方案基于不一致token的特征，文章为隐写术和水印技术分别提出解决方案：隐写术：逐步验证法（Stepwise Verification）在每一步token生成时，过滤候
