全部 AI 动态 · AI 热点

arXiv cs.AI@Sondos Mahmoud Bsharat, Jiacheng Liu, Xiaohan Zhao, Tianjun Yao, Xinyi Shang, Yi Tang, Jiacheng Cui, Ahmed Elhagry, Salwa K. Al Khatib, Hao Li, Salman Khan, Zhiqiang Shen

精选

OpAI-Bench 是一个操作引导的基准，用于研究从纯人类写作到 AI 辅助编辑的渐进式文本转换。它从人类文档出发，在四种领域下构建九个连续修订版本，涵盖五种 AI 编辑操作，并保留多粒度（文档、句子、词元、片段）的作者归属信息。实验发现，AI 文本的可检测性不仅受 AI 编辑比例影响，还与编辑操作、领域和累积修订历史有关，且混合作者的中期版本比纯人类或重度 AI 编辑的端点更难检测。该基准填补了现有检测基准仅关注最终输出的空白，为分析 AI 辅助写作的可检测性提供了受控测试平台。代码和基准已开源。

论文 AI文本检测人机合著渐进编辑基准测试 OpAI-Bench

推荐理由：做 AI 文本检测研究的团队终于有了一个能模拟真实渐进编辑过程的基准——它揭示了混合作者文本比纯 AI 文本更难检测的反直觉现象，值得点开看看实验设计。

原文

5月26日

12:37

arXiv: DeepSeek@Pingfan Su, Kai Ye, Shijin Gong, Erhan Xu, Jin Zhu, Giulia Livieri, Chengchun Shi

精选

READER是一种新型AI文本检测方法，通过让模型在检测前生成结构化推理（rationale）来提升准确性和可解释性。它基于一个名为READ的监督数据集进行微调，该数据集包含人工标注的推理过程和判定结果。尽管只有1.5B参数，READER在分布内和分布外场景下均优于现有检测器，甚至超过GPT-5.2、Gemini-3-Pro和DeepSeek-V3.2等千倍规模的大模型。这项研究解决了AI文本检测中可解释性差和分布偏移下性能下降的关键问题。

论文 AI文本检测推理增强可解释性小模型分布偏移

推荐理由：AI文本检测的可解释性和鲁棒性一直是痛点，READER用1.5B参数就超越了千倍大模型，做内容安全或反作弊的团队值得关注这个新思路。

原文

5月22日

11:41

arXiv: OpenAI@Alexander Smirnov

精选

论文 AI文本检测预训练模型典型性假说 RoBERTa 检测器评估

推荐理由：这项研究戳破了AI文本检测的底层假设——检测器可能只是在放大预训练模型的偏见而非真正学习区分。做AI安全、内容审核或学术诚信检测的团队，看完会重新评估现有检测方案的有效性。

原文