随着最大的模型逐渐成为学习和工作中必不可少的生产力工具，与之相关的问题变得越来越突出。 ia经常“说话没有严重意义”，并产生看似有理由的虚假信息。有些人使用AI工具来编写他们的任务和毕业论文。这对学术完整性和规范有很大的影响。 AI产生的内容的流量和逻辑越来越强，对于人类的识别而言困难，但是应改善AI AI速率检测系统，并且文档中错误判断的问题有时会出现……如何准确识别AI产生的内容成为紧迫的问题。
Nankai大学科学技术学院媒体计算研究所获得的最新研究结果可以为这些问题提供可行的解决方案。这种创新的成就提出了直接的差异学习优化策略（DDL），教学g AI使用“火眼”来区分不同的计算机并在AI检测性能方面取得重要进展。相关结果文件已被ACM MM 2025（第33届国际ACM会议）接受。
当前，有两种主要路由可以检测AI生成的内容。一种是一种基于培训的检测方法，该方法使用特定数据来训练专用分类模型。另一种是零样本检测方法，该方法使用先前训练的语言模型并设计特定的分类标准进行分类。几项研究表明，现有的检测方法面临治疗现实生活中复杂情况的挑战。
通过什么现有的IA检测工具会做出“错误的判断”？ “如果文本检测被认为是测试，现有检测方法就像删除了机械问题的记忆和固定答案的记忆。学习答案的答案很困难。当出现新问题时，“精确率显着降低。
学习检测器“一次学习”并提高其广义性能是提高AI文本检测功能的关键。随着埃斯汀的加入，研究人员采用了另一种方法，并提出了一种DDL方法，以直接优化模型预测的文本条件之间的差距以及人为建立的客观值之间的概率差异，并帮助该模型了解了对AI文本检测的固有知识。该方法可以准确捕获t文本之间的深层语义差异他的机器，大大改善了检测器的概括和鲁棒性。
Fu Jiachno说：“训练DDL训练的探测器就像拥有'Fire Eye'。即使您“学习”了DepSeek-R1教科书，您也可以准确地识别出较大的现代模型（如GPT-5）产生的内容。”
该团队还提出了一组全面的测试参考数据Mirage。它使用13个常规商业模型和4种开源模型生成了近100,000个“人类”文本对。
“现在，幻影是唯一一个重点是检测大型语言模型的参考数据集。
幻影测试的结果表明，现有检测器的精度从90％倒塌到约60％的简单数据集。 DDL训练的检测器的精度超过85％。与检测相比，斯坦福大学提出的一种文本检测工具，使用DDL方法的训练探测器的性能高71.62％。与双筒望远镜相比，共同拟议的POR马里兰大学，卡内基·梅隆大学等产生的文本检测方法，表现为68.03％。
“ AIGC每天都在开发。我们将继续重复和更新参考点和评估技术，努力实现由更快，更精确，更小的成本产生的文本检测，”南卡伊大学计算机科学系研究团队主任兼教授Li Chongyi说。
（编辑：Luo Zhizhi，Li Nanhua）
遵循官方帐户：人们的每日财务
分享以向更多人展示