一篇模型生成的文章被复制到别处，来源标签很容易丢失。再经过删句、替换或改写，剩下的文字还能留下什么线索？
PURA 研究的，是在生成时写入一小串预先约定的位，再从文本中恢复它。它可以代表系统、版本等来源编号。这串编号不是自动识别出的真人身份。
01 / 采样
选出一个词，
也可以看成投下一个点。
想象一张抽签纸，分成五块。模型越容易选中的词，就分到越宽的一块。闭眼均匀点一下，点中谁的地盘，就选谁。模型实际处理的小块叫词元（Token），这里用五个单字作例子。
“海”占了 21% 的宽度，长期就大约能接住 21% 的随机点。这种按概率选词的做法叫逆变换采样（ITS）。一个词的概率，变成了它在尺子上的地盘大小。
02 / 嵌入
不改词的概率，
而是转动背后的随机数。
把尺子首尾接起来，像一只钟表。来源编号决定往前拨多少，再用拨完的位置选词。转过一整圈就从头继续，所以所有点一起转动后，仍然均匀散开。
A = (U + (S + 0.5) / K) mod 1
论文示例取 U = 0.15、S = 1、K = 4，偏移量为 0.375，得到 A = 0.525。它落在示例词表中“海”的区间里。
整个均匀点云一起旋转后，仍然均匀。单次选中的词可以改变，但整体分布可以保持。论文的计算无偏性还有伪随机函数、域分离、有效种子上下文不重复等前提，并针对单次调用；不能直接扩展为固定密钥跨样本的绝对安全。
03 / 恢复
一个词，
保留的是一段不确定性。
看到“海”，就像知道飞镖落在某个扇面：能圈出一段范围，猜不回唯一的落点。找回来源编号，需要密钥和源模型或兼容代理模型，重新画出这些范围。
验证方比较几种可能的转法：哪一种与这个范围更对得上，就更支持哪一种。再把它们分成“这一位是 0”和“这一位是 1”两边，得到支持分 LLR。正分支持 1，负分支持 0，离 0 越远越有把握。多处支持分相加，弱线索也能合力。
+0.42 +0.94 −0.30 +0.41 = +1.47
Figure 2C 的局部证据累加示例。