ai, oneminuteread,

一分钟读论文:《一段话认出你是谁,防御基本无效》

Unbug By Unbug Follow · 1 min read
两组柱状图:Reddit 曝光阶梯(不活跃 2%、1 至 50 帖 13%、活跃超 500 帖 69%)与熟悉度两档(自报 0 分认出 1.3%~4.2%,自报 3 分认出 57.7%~60.8%)。
Share this

马里兰大学等预印本团队《Frontier models need only one text to unmask its human or AI author》实测:只给一段文本和一句零样本提示,大模型即可识破作者身份(AI 文本检出 97%),甚至点名人类作者(公开审稿 39%)。

测试规模:72 个模型、13 个实验室、36,427 篇判别文档,不联网、不给候选名单与写作样本。站内《AI 考官的评分偏爱坏行为》查考官偏心,这篇查匿名性本身。

三连问,一级比一级狠

是不是 AI 写的:Gemini 4 Carbon 对全 AI 生成文本检出 97%,与专用检测器 Pangram 4.1 的 97% 打平,误报率同为 0.01%;GPT-6.1 Sol 在『AI 点子检测』上 90% 胜过专门工具 IdeaLens 的 87%,并能用自然语言解释判据。

是哪家实验室写的:自建 34 个模型、11 个实验室的生成文本集上,Opus 5.5 与 Gemini 4 Argon 对 Anthropic、OpenAI、Google 三家文本 98% 报对实验室;对其余 8 家最多 35%——Kimi K3 常被认成 Claude,阿里 Qwen3.8 常被认成 GPT,作者推测与蒸馏训练有关。

是哪个人写的:Claude Fable 5.2 对 2026 年 10 至 11 月发表的 1,559 篇公开审稿点名 39%,Nature 家族子集 78%;398 篇作者身份从未公开的私审(自愿征集)点名 56%。Reddit 1,258 条评论(870 个用户名)按近 12 个月发帖量分层:不活跃用户 2%,1 至 50 帖 13%,发帖超 500 的活跃用户 69%,全样本按已回答计约 31%。Goodreads 评分超 100 万的成书作者 15 部作品全部点名(命中率 100%)。

决定命中率的不是文风,是曝光量

曝光越多越容易被认出:不活跃 2%、1 至 50 帖 13%、活跃超 500 帖 69%、全样本按已回答计 31.1%、不活跃对照 2%;熟悉度 0 分认出 1.3% 至 4.2%,3 分认出 57.7% 至 60.8%

准确率几乎全由『预训练里见过这个人多少』驱动:曝光越多越藏不住。让模型自报熟悉度(打 0 至 3 分):评 0 分只认出 1.3%~4.2%,评 3 分认出 57.7%~60.8%,熟悉度评分还能跨模型迁移、提前预测准确率。推理强度是第二杠杆:对『有点眼熟』的账号,最大推理档比低档提升 35.8 个百分点(8.4% 升到 44.2%);非常熟悉的账号几乎不动(88% 到 89%)。

防御为什么挡不住:删号删帖没用,作者原话是删不掉『现有模型权重里的记忆』;改写复述只降一档,私审点名率从 40.7%~41.2% 降到 14.9%~15.6%,34 篇高熟悉度故事改写前认对 32 篇、改写后仍认对约 27.5 篇;模型也几乎不拒绝,Reddit 测试经 Claude Code 拒答 323/1,258 条,走 API 仅 14 条(约 1.1%,OpenRouter 批次实测)。作者的现成缓解路径:厂商可训练模型拒绝此类请求。

边界:对谁不成立

高命中率建立在预训练曝光上:对训练截止后的新人、低曝光作者,结论不成立(不活跃用户 2%),而模型只会随训练周期越来越强。398 篇私审为自愿征集、预测不发布,第三方无法复现;论文是 2026-11-19 提交的预印本 v1,未见同行评审信息;合著方含商用检测器厂商 Pangram Labs,论文多处与其产品对比,存在利益相关视角。代码未证实开源,作者仅称提示词在仓库中;作者事前通报过 Anthropic 与 OpenAI,只点名已公开署名的名人,结果按汇总报告;文中不提供给第三方操作的细节。

References


Related
Featured