Les dommages potentiels des grands modèles de langage peuvent être atténués par le tatouage numérique (watermarking) de leurs sorties, c'est-à-dire l'intégration dans le texte généré de signaux invisibles pour l'homme mais détectables par algorithme à partir d'un court extrait de jetons. Nous proposons un cadre de tatouage pour les modèles de langage propriétaires. Le tatouage peut être intégré avec un impact négligeable sur la qualité du texte, et peut être détecté à l'aide d'un algorithme open source efficace, sans qu'il soit nécessaire d'accéder à l'API ou aux paramètres du modèle de langage. Le tatouage fonctionne en sélectionnant un ensemble aléatoire de jetons « verts » avant la génération d'un mot, puis en favorisant légèrement l'utilisation de ces jetons verts lors de l'échantillonnage. Nous proposons un test statistique pour détecter le tatouage avec des p-valeurs interprétables, et développons un cadre théorique de l'information pour analyser la sensibilité de ce tatouage. Nous testons notre méthode à l'aide d'un modèle de plusieurs milliards de paramètres de la famille Open Pretrained Transformer (OPT) et discutons de sa robustesse et de sa sécurité.