标签
A preprint estimates that by the end of 2025, 89% of open-access biomedical papers show signs of LLM-assisted writing, using a new word-frequency-based method.
This paper presents EVIL-Detect, a multi-signal ensemble framework with conflict-aware fusion for detecting LLM-generated, refined, and human-written Chinese text in the NLPCC 2026 Shared Task 6, achieving first place with a macro-F1 of 0.8888.
MD-ProTector是一篇研究论文，提出了一种基于原型的LLM生成文本检测方法，每个类别使用多个可训练参考向量来捕获类内差异，并提高跨领域、生成器、语言和对抗性编辑的鲁棒性。
本文提出了EchoPrompt，一种无需训练的LLM生成文本检测器，通过添加通用前缀恢复潜在提示依赖性，并衡量指令微调模型与基础模型之间的似然增益差异，实现了最先进的零样本检测性能。
一位审稿人讲述自己标记了两篇作者捏造但被接收为口头报告的论文，并报告称在其审阅的22篇投稿中，68%存在捏造引用、LLM生成内容或虚假作者列表。多项研究证实，仅2025年就有数万篇此类论文，且同行评审中AI生成的内容越来越多。
Pangram Labs宣布推出Pangram 4，这是其迄今为止最强大的AI检测器，大幅降低了假阳性率和假阴性率，在前沿模型上实现稳健检测，并新增图像扫描功能。
介绍DWT-Fusion，一种免训练框架，通过对token级对数概率进行离散小波分析来检测LLM生成的文本，在多个数据集上取得了优异的AUROC结果。
本文研究了在教育场景中，LLMs在多大程度上能够检测自身生成的内容，发现检测准确率因任务类型而异，且对于简答题不可靠。
一位开发者探索使用经典机器学习来检测LLM生成的网络小说，创建了一个开源演示和模型，单句准确率约为85%。
论文引入了Telescope Perplexity这一指标，通过测量标记重复概率以零样本方式检测LLM生成的文本，在多个数据集上实现了最先进或具有竞争力的性能。
这篇博客文章探讨了使用强化学习训练一个小模型来检测不同LLMs的写作风格，并提供了代码和追踪信息。
Pangram，一个用于检测LLM使用的工具，揭示了许多学者不理解假阳性和假阴性之间的区别。
本文通过训练一个可解释的文本分类器，评估了英国和瑞典议会文本中未披露的LLM生成内容的程度，发现自2022年以来未披露的LLM使用量稳步增加。
Rodrigo Arias Mallo 提出使用 asciinema 录制作为对 Dillo 的 FOSS 贡献的人类作者身份证明，认为 LLM 难以令人信服地生成此类录制。
DetectRL-X是一个全面的多语言基准测试，用于评估跨8种语言和6个领域的LLM生成文本检测器，包括针对AI辅助写作操作和扰动的压力测试。它揭示了当前检测器在多语言场景中的优势与局限性。
本文通过指出基于似然的机器生成文本检测器在 token 分数聚合中存在的辛普森悖论，解决了此类检测器性能下降的问题。本文提出了一种学习到的局部校准步骤，显著提升了各种模型和数据集上的检测性能。
提出了 LiSCP，一种轻量级的风格一致性分析方法，旨在鲁棒性地检测大语言模型（LLM）生成的文本内容，重点关注在对抗性操纵下特征的稳定性。在域内和跨域检测中取得了优异的性能，并具有显著的鲁棒性。
Zig 语言的创造者 Andrew Kelley 认为，通过独特的错误和一种“数字气味”，可以检测出由大语言模型（LLM）辅助的贡献，他将其比作在非吸烟房屋中吸烟。
LLMSniffer是一个检测框架，通过监督对比学习微调GraphCodeBERT来区分AI生成的代码和人工编写的代码，在GPTSniffer和Whodunit基准测试上分别达到78%和94.65%的准确率。该方法通过结合代码结构感知嵌入、对比学习和注释移除预处理，解决了学术诚信和代码质量保证方面的关键挑战。