Probing Stylistic Appropriation using Large Language Models: An Evaluation Framework for Copyright Infringement under EU Law

📄 arXiv: 2606.31250v1 📥 PDF

作者: Noah Scharrenberg, Chang Sun

分类: cs.CL, cs.AI

发布日期: 2026-06-30

💡 一句话要点

提出PSALM框架以解决欧盟版权侵权评估问题

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 版权侵权 大型语言模型 风格挪用 欧盟法律 合规评估 生成AI 技术与法律结合

📋 核心要点

  1. 现有技术主要关注逐字记忆，未能有效应对欧盟版权法中更广泛的实质性相似性标准。
  2. 提出PSALM框架，通过十个评估指标，全面评估语言模型生成内容的版权合规性。
  3. 实验结果显示，微调模型在风格和内容维度上表现出系统性风格挪用，传统保护措施不足以应对。

📝 摘要（中文）

大型语言模型（LLM）在生成内容时可能侵犯版权，但现有技术保障主要集中在逐字记忆上。欧盟版权法则适用更广泛的标准，包括实质性相似性，涵盖风格选择、叙事结构和创意扩展。为此，本文提出PSALM框架，通过十个评估指标来评估计算重叠、风格维度和内容维度。通过对Llama 3.2模型的实验，发现指令调优模型在接触语料前已表现出非平凡的风格相似性，而微调则在所有相关维度上引发系统性风格挪用。研究表明，仅针对逐字复制的保护措施不足以缓解更广泛的版权风险。PSALM为合规评估提供了基础设施，但自动相似性评分与侵权判定之间的关系仍需法律专家验证。

🔬 方法详解

问题定义：本文旨在解决大型语言模型生成内容可能侵犯版权的问题，现有方法主要集中在逐字记忆，未能覆盖欧盟版权法的实质性相似性标准。

核心思路：提出PSALM框架，通过十个评估指标，涵盖风格、内容及法定例外，全面评估生成内容的版权合规性。

技术框架：PSALM框架包括计算重叠评估、风格维度评估（如写作风格、叙事声音）、内容维度评估（如角色、情节、场景、世界构建）及法定例外评估（如戏仿、拼贴、引用等）。

关键创新：PSALM框架的创新在于将定性法律标准与定量技术测量结合，填补了现有技术与法律保护之间的合规空白。

关键设计：在实验中，使用Llama 3.2模型进行微调，采用负偏好优化技术以减少相似性，同时保留可检测的残余风格模式。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，指令调优模型在接触语料前已展现出非平凡的风格相似性，微调后在所有相关维度上引发系统性风格挪用。负偏好优化显著降低相似性，但仍保留可检测的风格模式，表明传统保护措施不足以应对更广泛的版权风险。

🎯 应用场景

该研究为版权合规评估提供了新的基础设施，适用于内容创作、出版及法律领域，帮助相关方更好地理解和应对生成内容的版权风险。未来，PSALM框架可能推动法律与技术的进一步融合，促进生成AI的合规使用。

📄 摘要（原文）

Large language models (LLM) trained on web-scale corpora generate output that may infringe copyright, yet existing technical safeguards focus narrowly on verbatim memorisation. EU copyright doctrine applies a broader standards: substantial similarity, which extends to stylistic choices, narrative structure, and creative elaboration. This mismatch between what current methods detect and what the law protects leaves a significant compliance gap. We introduce PSALM, an LLM-as-a-judge framework that operationalises EU copyright doctrine through ten evaluators assessing computational overlap, stylistic dimensions (writing style, narrative voice), content dimensions (character, plot, scene, world building), and statutory exceptions (parody, pastiche, quotation, scènes à faire). Applying PSALM to Llama~3.2 models fine-tuned on translated historical Dutch literary works, we find that: 1) instruction-tuned models exhibit non-trivial baseline stylistic similarity prior to corpus exposure; 2) fine-tuning induces systematic stylistic appropriation across all infringement-relevant dimensions, extending beyond verbatim memorisation to abstract narrative patterns; 3) Negative Preference Optimisation unlearning substantially reduces similarity but leaves detectable residual stylistic patterns. These findings indicate that safeguards targeting literal copying alone are insufficient to mitigate broader copyright risks. PSALM provides infrastructure for auditable, legally informed compliance evaluation, though the relationship between automated similarity scores and infringement determinations requires validation by legal experts. This work bridges qualitative legal standards and quantitative technical measurement, exposing fundamental tensions between generative AI and EU intellectual property law.