En este artículo, proponemos VLA-Mark, una novedosa técnica de marca de agua para proteger los derechos de propiedad intelectual de los modelos de lenguaje visual. Las técnicas existentes de marca de agua de texto pueden comprometer la consistencia del lenguaje visual y hacer vulnerables conceptos semánticamente importantes debido al sesgo de selección de tokens y a las estrategias estáticas. VLA-Mark integra métricas de consistencia del lenguaje visual multiescala (similitud de parches locales, consistencia semántica global y patrones de atención contextual) para integrar marcas de agua eficazmente sin reentrenar el modelo, manteniendo al mismo tiempo la fidelidad semántica. El mecanismo, sensible a la entropía, ajusta dinámicamente el equilibrio entre la solidez de la marca de agua y la preservación semántica, y prioriza la evidencia visual en la etapa de generación, donde la incertidumbre es baja. Los resultados experimentales muestran que logra un 7,4 % menos de PPL y un 26,6 % más de BLEU que los métodos existentes, y alcanza una tasa de detección casi perfecta (98,8 % AUC). Además, presenta un nuevo estándar para marcas de agua multimodales de alta calidad al mantener la consistencia entre el texto y lo visual y al mismo tiempo mantener una alta resistencia a ataques del 96,1 % contra ataques como parafrasear y sustituir sinónimos.
