标签
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。