On the Detectability of LLM-Generated Text: What Exactly Is LLM-Generated Text?
École Normale Supérieure (ENS) - Université Paris Sciences et Lettres (PSL)（巴黎 sciences et lettres 大学（PSL）- 法国规范大学（ENS））；Laboratoire Lattice (CNRS, ENS-PSL, Université Sorbonne Nouvelle)（晶格实验室（CNRS、ENS-PSL、索邦大学））
本文探讨LLM生成文本检测的模糊性，指出缺乏统一定义及人类编辑影响，主张检测结果仅作参考而非决定性指标。
2025-10-23 cs.AI cs.CL cs.CY
Decoding the AI Pen: Techniques and Challenges in Detecting AI-Generated Text
Microsoft（微软公司）
本文探讨LLMs广泛使用带来的挑战，重点研究AI生成文本检测的现有策略、理论可行性及未来研究方向。
2024-06-26 cs.AI cs.CL cs.LG
HU at SemEval-2024 Task 8A: Can Contrastive Learning Learn Embeddings to Detect Machine-Generated Text?
University of Maryland, Baltimore County（马里兰大学巴尔的摩县分校）；University of Houston（休斯顿大学）
本文提出基于对比学习和数据增强的单一模型，仅用基线约40%的参数，在SemEval-2024任务8A机器生成文本检测中取得与多模型集成相当的性能。
2024-03-27 cs.AI cs.CL cs.LG
DeTeCtive: Detecting AI-generated Text via Multi-Level Contrastive Learning
ByteDance（字节跳动）；University of Chinese Academy of Sciences（中国科学院大学）
针对 AI 生成文本检测泛化不足的问题，提出 DeTeCtive 多层级对比学习框架，结合多任务辅助与稠密检索，显著提升多编码器的 OOD 零样本检测性能。
2024-10-28 cs.AI cs.CL cs.LG
Variation is the Key: A Variation-Based Framework for LLM-Generated Text Detection
Tianjin University（天津大学）
本文提出VaryBalance框架，通过量化人类文本与LLM重写文本的差异，有效检测LLM生成文本，实验显示其在AUROC指标上优于现有方法。
2026-01-27 cs.AI cs.CL
Linguistic and Embedding-Based Profiling of Texts generated by Humans and Large Language Models
Department of Politics and Public Administration University of Konstanz（政治与公共管理系 康斯坦茨大学）
本研究针对LLM生成文本与人类文本难区分的问题，通过多层面语言学特征及风格嵌入分析8领域11种LLM的文本，发现人类文本句法更简单语义更多样，且新模型生成文本呈同质化趋势。
2025-09-30 cs.AI cs.CL
Detecting ChatGPT: A Survey of the State of Detecting ChatGPT-Generated Text
Technical University of Munich（慕尼黑工业大学）
本综述探讨了区分人类与ChatGPT生成文本的关键问题，全面梳理了相关数据集构建、检测方法及文本特征定性分析，并总结出一般性见解。
2023-09-14 cs.AI cs.CL
Transforming Chatbot Text: A Sequence-to-Sequence Approach
San Jose State University（圣何塞州立大学）
针对GPT生成文本易被检测的问题，提出用T5-small、BART等Seq2Seq模型对抗性变换文本以更像人类文本的方法，既验证了该方法可降低检测准确率，也发现重训练分类器能恢复高检测精度，推动AI文本攻防研究。
2025-06-15 cs.CL cs.LG
Enhancing Text Authenticity: A Novel Hybrid Approach for AI-Generated Text Detection
University of Pittsburgh（匹兹堡大学）；University of Maryland Eastern Shore（马里兰大学东海岸分校）；Miami University（迈阿密大学）；San Francisco Bay University（旧金山湾大学）；Boston University（波士顿大学）；Northern Arizona University（北亚利桑那大学）
针对AI生成文本难以辨别的问题，本文提出融合TF-IDF与贝叶斯、SGD、CatBoost及12个Deberta-v3-large实例的混合检测方法，并在综合数据集上验证其优于现有方法。
2024-06-01 cs.AI cs.CL
The Imitation Game: Detecting Human and AI-Generated Texts in the Era of ChatGPT and BARD
本研究引入一个包含散文、故事、诗歌和Python代码的人类与LLM生成文本数据集，采用多种机器学习模型进行分类，发现模型在二元分类中表现优越，但区分GPT生成文本更具挑战性，为AI文本检测提供了启示。
2023-11-12 cs.AI cs.CL
Understanding the Effects of RLHF on the Quality and Detectability of LLM-Generated Texts
Queen Mary University of London（伦敦玛丽女王大学）
本研究探究RLHF对LLM生成文本质量及检测性能的影响，发现RLHF虽提升文本质量，但会使文本更易检测、更长且重复度更高，同时基于训练的检测器对短文本和含代码文本鲁棒性弱于零样本检测器。
2025-03-23 cs.AI cs.CL
Differentiate ChatGPT-generated and Human-written Medical Texts
South China University of Technology（华南理工大学）；University of Georgia（佐治亚大学）；University of Texas at Arlington（德克萨斯大学阿灵顿分校）；Massachusetts General Hospital and Harvard Medical School（马萨诸塞总医院和哈佛医学院）
本研究首次在医学领域分析人类与ChatGPT生成文本的语言差异，并设计基于BERT的检测模型，F1值超过95%。
2023-04-23 cs.AI cs.CL
A Survey of AI-generated Text Forensic Systems: Detection, Attribution, and Characterization
Arizona State University（亚利桑那州立大学）；Stanford University（斯坦福大学）；Amazon GenAI（亚马逊生成式人工智能部门）
本文综述AI生成文本取证系统，围绕检测、归因与特征刻画构建分类体系，梳理现有研究与资源，并讨论该领域挑战及未来方向。
2024-03-02 cs.AI cs.CL
Deciphering Textual Authenticity: A Generalized Strategy through the Lens of Large Language Semantics for Detecting Human vs. Machine-Generated Text
The University of Texas at San Antonio（圣安东尼奥德克萨斯大学）；Secure AI and Autonomy Lab（安全人工智能与自主实验室）
针对真实场景中多生成器、多领域机器文本检测泛化不足的问题，提出 T5LLMCipher，融合预训练 T5 编码器与 LLM 嵌入子聚类，显著提升跨域 F1 并准确识别生成器。
2024-04-03 cs.CL cs.LG
Mast Kalandar at SemEval-2024 Task 8: On the Trail of Textual Origins: RoBERTa-BiLSTM Approach to Detect AI-Generated Text
IIIT Hyderabad（印度国际信息技术研究所海得拉巴分校）
本文针对 SemEval-2024 多生成器、多领域、多语言黑盒机器生成文本检测任务，提出 RoBERTa-BiLSTM 分类器，并在 125 个系统中以 80.83% 准确率位列第 46 名。
2024-07-03 cs.AI cs.CL
Detecting AI-Generated Texts in Cross-Domains
Miner School of Computer \& Information Sciences \ of Massachusetts, Lowell, MA, USA
本文提出微调RoBERTa-Ranker排序分类器，仅需少量新领域标注数据即可提升跨领域AI生成文本检测性能，并优于DetectGPT和GPTZero。
2024-10-17 cs.AI cs.CL
KatFishNet: Detecting LLM-Generated Korean Text through Linguistic Feature Analysis
Yonsei University（延世大学）
本文提出首个韩语LLM生成文本检测基准KatFish及检测方法KatFishNet，通过分析分隔、词性和逗号使用等语言特征，将AUROC较现有最佳方法平均提升19.78%。
2025-09-19 cs.AI cs.CL
A Systematic Analysis of Linguistic Features in AI-Generated English Text Detection Across Domains and Models
Institute for Natural Language Processing, University of Stuttgart（斯图加特大学自然语言处理研究所）；Interchange Forum for Reflecting on Intelligent Systems, University of Stuttgart（智能系统反思交流论坛，斯图加特大学）；GESIS Leibniz Institute for the Social Sciences（莱比锡社会科学院）；Heinrich-Heine University Düsseldorf（杜塞尔多夫海因里希-海涅大学）
通过大规模实证研究，系统评估284个可解释语言特征在27个LLM和10个文本领域中的鲁棒性，发现词汇丰富度是跨模型和领域的最可靠信号。
2026-11-03 cs.AI cs.CL
The Science of Detecting LLM-Generated Texts
Rice University（莱斯大学）
本文综述现有 LLM 生成文本检测技术，总结其成就与挑战，并指出评估指标和开源模型威胁等未来研究重点。
2023-06-02 cs.AI cs.CL
Unraveling ChatGPT: A Critical Analysis of AI-Generated Goal-Oriented Dialogues and Annotations
Fondazione Bruno Kessler（布鲁诺·凯斯勒基金会）；Free University of Bozen-Bolzano（博尔扎诺自由大学）
本文探讨ChatGPT生成和标注目标导向对话的潜力，通过多类别、多模式和双语实验及人工评估，证明其生成质量与人类相当。
2023-05-23 cs.AI cs.CL
Zero-Shot Detection of LLM-Generated Text via Implicit Reward Model
School of Computer Science and Technology, Beijing Institute of Technology（计算机科学与技术学院，北京理工大学）
本文提出IRM方法，利用隐式奖励模型实现LLM生成文本的零样本检测，无需偏好收集或额外训练，在DetectRL基准上表现优于现有方法。
2026-04-23 cs.AI cs.CL
I Know You Did Not Write That! A Sampling Based Watermarking Method for Identifying Machine Generated Text
TOBB University of Economics & Technology（TOBB经济与技术大学）；Bilkent University（比尔肯特大学）；Qatar University（卡塔尔大学）
针对机器生成文本检测问题，本文提出一种干预 token 采样过程并嵌入可追溯模式的水印方法，实验表明其可在保持文本质量的同时实现高检测率。
2023-12-11 cs.AI cs.CL
Paraphrasing Attack Resilience of Various AI-Generated Text Detection Methods
Northwestern University（西北大学）
本文评估了三种AI生成文本检测方法的改写攻击鲁棒性，发现Binoculars集成方法性能最强但攻击损失最严重，揭示了文本检测领域性能与鲁棒性之间的矛盾。
2026-06-23 cs.AI cs.LG
A Survey on LLM-Generated Text Detection: Necessity, Methods, and Future Directions
University of Macau（澳门大学）；Institute of Collaborative Innovation（协同创新研究院）；Peking University（北京大学）
本综述全面梳理了LLM生成文本检测的必要性、现有方法（水印、统计、神经网络及人工辅助）与挑战，并展望未来方向，旨在推动负责任AI的发展。
2024-04-19 cs.AI cs.CL
Fighting Fire with Fire: Can ChatGPT Detect AI-generated Text?
Arizona State University（亚利桑那州立大学）
本文评估 ChatGPT 在零样本设置下区分人类撰写与 AI 生成文本的检测能力，并基于公开数据集检验其双向检测的对称性，为自动化检测流水线提供利用 LLM 的新思路。
2023-08-17 cs.AI cs.CL
GenAI Content Detection Task 3: Cross-Domain Machine-Generated Text Detection Challenge
University of Pennsylvania（宾夕法尼亚大学）；Qatar Computing Research Institute（卡塔尔计算研究所）；MBZUAI（穆罕默德·本·扎耶德人工智能大学）
本研究依托新发布的RAID基准开展跨域机器生成文本检测共享任务，9支团队提交23个检测器，实验显示在保持5%假阳性率下检测准确率超99%，验证了检测器跨多领域多模型的稳健检测能力。
2025-01-15 cs.CL cs.LG
AI-generated Text Detection: A Multifaceted Approach to Binary and Multiclass Classification
Deloitte & Touche Assurance and Enterprise Risk Services India Private Limited（德勤印度审计与企业风险管理服务有限公司）；Deloitte & Touche LLP（德勤联合事务所）
本研究针对AAAI 2025 Defactify研讨会的AI生成文本检测二分类与多分类子任务，分别提出优化型与简化型两种神经架构，在两个任务中均取得第五名的成绩，为AI生成文本检测与溯源提供了有效方案。
2025-05-15 cs.AI cs.CL
Real or Fake Text?: Investigating Human Ability to Detect Boundaries Between Human-Written and Machine-Generated Text
University of Pennsylvania（宾夕法尼亚大学）
随着由大语言模型生成的文本的激增，了解人类如何与这些文本互动，以及他们是否能够检测到他们正在阅读的文本何时不是来自人类作者变得至关重要。先前关于生成文本的人类检测的工作集中在整个段落是人类书写或机器生成的情况下。在本文中，我们研究了一个更现实的设置，文本开始作为人类书写和过渡到正在生成的最先进的神经语言模型。我们发现，虽然注释者经常在这项任务中挣扎，但注释者的技能存在很大差异，并且如果给予适当的激励，注释者可以随着时间的推移在这项任务中提高。此外，我们进行了详细的对比研究，分析了各种变量（模型大小，解码策略，微调，提示体裁等）影响人体检测性能。最后，我们从我们的参与者收集错误注释，并使用它们来表明，某些文本类型的影响模型，使不同类型的错误和某些注释水平的功能高度相关的注释者选择。我们发布RoFT数据集：超过21，000个人工注释的集合与错误分类配对，以鼓励未来在人工检测和评估生成的文本方面的工作。
2022-12-24 cs.AI cs.CL cs.HC
Sarang at DEFACTIFY 4.0: Detecting AI-Generated Text Using Noised Data and an Ensemble of DeBERTa Models
National Institute of Technology, Tiruchirapalli（印度特里奇拉巴利国家理工学院）
本文提出一种结合噪声数据与 DeBERTa 模型集成的 AI 生成文本检测方法，在 Defactify 4.0 共享任务的两个子任务中均获第一，F1 分数分别为 1.0 和 0.9531。
2025-02-24 cs.AI cs.CL
Vietnamese AI Generated Text Detection
University of Information Technology（信息科技大学）；Vietnam National University, Ho Chi Minh City（越南国家大学胡志明市分校）
本文构建了包含 6,800 个越南语文章样本的 ViDetect 数据集，并评估 ViT5、BartPho、PhoBERT 等多种模型在越南语 AI 生成文本检测中的表现，为该领域提供基础与参考。
2024-05-06 cs.AI cs.CL
SEFD: Semantic-Enhanced Framework for Detecting LLM-Generated Text
本文提出语义增强框架SEFD，通过检索机制融合文本语义与传统检测器，在改写场景下显著提升LLM生成文本检测准确率，同时保持对标准生成内容的鲁棒性。
2024-11-17 cs.AI cs.CL cs.IR
On the Effectiveness of LLM-Specific Fine-Tuning for Detecting AI-Generated Text
Faculty of Mathematics and Information Science, Warsaw University of Technology（华沙技术大学数学与信息科学学院）；Faculty of Modern Languages and Literatures, Adam Mickiewicz University（亚当·密茨凯维奇大学现代语言与文学学院）
本文通过大规模语料库和新颖训练策略，提出Per LLM和Per LLM family微调方法，开发出在词级准确率上达99.6%的AI生成文本检测模型。
2026-01-27 cs.AI cs.CL
Tracing Thought: Using Chain-of-Thought Reasoning to Identify the LLM Behind AI-Generated Text
Department of Computer Science and Engineering（计算机科学与工程系）；Indian Institute of Technology Guwahati（印度理工学院瓜哇蒂）
本文提出COT Fine-tuned框架，利用链式思维推理进行双任务检测，既能区分AI生成与人类文本，又能识别生成文本的具体LLM，实验证明其高准确率和可解释性。
2025-04-23 cs.AI cs.CL
Beyond speculation: Measuring the growing presence of LLM-generated texts in multilingual disinformation
Kempelen Institute of Intelligent Technologies（智能技术研究所）；The Pennsylvania State University（宾夕法尼亚州立大学）；MIT Lincoln Laboratory（麻省理工学院林赛实验室）
本研究通过实证数据证明了LLM在多语言虚假信息中的增长，揭示了不同语言、平台和时间周期中的关键模式。
2026-02-04 cs.AI cs.CL
A Comprehensive Framework for Semantic Similarity Analysis of Human and AI-Generated Text Using Transformer Architectures and Ensemble Techniques
Cornell University（康奈尔大学）；University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；University of Chinese Academy of Sciences（中国科学院大学）
针对AI生成文本检测挑战，提出结合DeBERTa-v3-large、双向LSTM和线性注意力池化的多层语义相似度分析架构，辅以输入输出增强技术，实验证明其优于传统方法。
2025-01-31 cs.AI cs.CL
Short-PHD: Detecting Short LLM-generated Text with Topological Data Analysis After Off-topic Content Insertion
The University of Hong Kong（香港大学）；University of Delaware（特拉华大学）
本文提出Short-PHD方法，通过在输入前插入无关主题内容以稳定短文本的持久同调维数估计，从而在零样本设定下有效检测短LLM生成文本。
2025-04-01 cs.CL
States of LLM-generated Texts and Phase Transitions between them
NTR Labs（NTR实验室）；Higher IT School of Tomsk State University（托木斯克国立大学高等信息技术学院）
该研究借鉴固体物理中物质状态与自相关衰减规律的联系，通过实验证明LLM在不同温度参数下生成的文本可呈现固态、临界态或气态，揭示了生成文本状态之间的相变现象。
2025-03-08 cond-mat.stat-mech cs.AI cs.CL
Literary Non-Style in LLM-Generated Text
研究大语言模型生成文本与人类文本差异，通过分析n元语法统计分布及定性分析，揭示大语言模型风格不足，得出风格和语义问题不可完全分离的结论。
2026-07-21 cs.CL
XMark: Reliable Multi-Bit Watermarking for LLM-Generated Texts
University of Nevada, Reno（内华达大学林肯分校）；Oak Ridge National Laboratory（橡树岭国家实验室）
XMark通过改进编码器和解码器实现高效多比特水印，提升解码准确性并保持文本质量，在多种下游任务中表现优于现有方法。
2026-04-16 cs.AI cs.CL cs.CR
SemEval-2024 Task 8: Weighted Layer Averaging RoBERTa for Black-Box Machine-Generated Text Detection
IIIT Hyderabad（印度信息技术与管理大学海得拉巴分校）
本文针对SemEval-2024任务8的黑盒机器生成文本检测问题，提出利用RoBERTa各层加权平均来捕获判别性文本信息，并提交至单语和多语子任务。
2024-04-09 cs.CL
DetectGPT-SC: Improving Detection of Text Generated by Large Language Models through Self-Consistency with Masked Predictions
Macao Polytechnic University（澳门理工大学）；Iowa State University（爱荷华州立大学）；HKUST (GZ)（香港科技大学（广州））
针对AI生成文本的检测问题，提出基于掩码预测自洽性的DetectGPT-SC方法，利用零样本和简单提示进行掩码与自洽性预测，在多种任务上超越了现有最先进检测器。
2023-10-23 cs.CL
Exploring the Limitations of Detecting Machine-Generated Text
Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学）；University of Edinburgh（爱丁堡大学）
本研究针对机器生成文本检测系统受文本风格和复杂度影响的不明确问题，通过多风格文本评估审计检测性能，发现分类器对风格、复杂度敏感，易读文本易被误分类，呼吁未来研究关注相关风格与阅读难度因素。
2024-12-12 cs.CL
Understanding the Effects of Human-written Paraphrases in LLM-generated Text Detection
School of Electronic Engineering and Computer Science, Queen Mary University of London（伦敦玛丽女王大学电子工程与计算机科学学院）
本研究构建首个包含人类改写文本的HLPC数据集，实验发现人类改写文本显著影响LLM检测器性能，可提升TPR@1%FPR但可能牺牲AUROC和准确率。
2024-11-06 cs.CL
FreqMark: Frequency-Based Watermark for Sentence-Level Detection of LLM-Generated Text
Texas Tech University（德克萨斯理工大学）；Xavier University of Louisiana（路易斯安那泽维尔大学）
针对LLM生成文本被滥用的风险，提出FreqMark水印技术，通过在token采样中嵌入周期性频率信号并利用STFT检测，实现了在混合文本及多种攻击下高达0.98 AUC的句子级精准检测。
2024-10-09 cs.CL cs.CR cs.LG
How Decoding Strategies Affect the Verifiability of Generated Text
Sapienza University of Rome（罗马第一大学）；Facebook AI（脸书人工智能研究院）；University College London（伦敦大学学院）
预训练语言模型的最新进展导致系统能够生成越来越高质量的文本。虽然一些作品已经调查了这些模型的流畅性和语法正确性，但仍然不清楚生成的文本在多大程度上与事实世界知识一致。在这里，我们超越了流畅性，还研究了由最先进的预训练语言模型生成的文本的可验证性。生成的句子是可验证的，如果它可以证实或证伪的维基百科，我们发现，生成的文本的可验证性强烈依赖于解码策略。特别是，我们发现了真实性（即，生成维基百科证实文本的能力）和重复性。虽然top-k和nucleus采样等解码策略导致重复生成较少，但它们也产生较少的可验证文本。基于这些发现，我们介绍了一种简单而有效的解码策略，与以前使用的解码策略相比，产生更少的重复和更可验证的文本。
2020-09-29 cs.CL
Lithium NLP: A System for Rich Information Extraction from Noisy User Generated Text on Social Media
Lithium Technologies（Lithium科技公司）
在本文中，我们描述了锂自然语言处理（NLP）系统-一个资源受限，高吞吐量和语言无关的系统，用于从社交媒体上的嘈杂用户生成的文本中提取信息抽取。Lithium NLP从文本中提取丰富的信息，包括实体，主题，主题标签和情感。我们讨论了几个现实世界中的应用系统目前纳入锂产品。我们还比较了我们的系统与现有的商业和学术NLP系统的性能，信息提取和语言支持。我们表明，Lithium NLP与最先进的商业NLP系统不相上下，在某些情况下，其性能优于最先进的商业NLP系统。
2017-07-13 cs.AI cs.CL cs.IR
Mixture of Detectors: A Compact View of Machine-Generated Text Detection
Computer Science & Engineering, NIT Silchar（计算机科学与工程系，西里char理工学院）；Electrical Engineering, NIT Silchar（电气工程系，西里char理工学院）
本文构建BMAS English英文数据集，系统研究文档级分类、生成器归属、句子级人机文本分割及对抗攻击下的机器生成文本检测。
2025-09-26 cs.CL
MAGE: Machine-generated Text Detection in the Wild
Tencent AI Lab（腾讯AI实验室）；Jilin University（吉林大学）；Westlake University（西湖大学）；Zhejiang University（浙江大学）；The University of Hong Kong（香港大学）
针对现有AI生成文本检测方法局限于特定领域与模型、难适配真实场景的问题，本研究构建了多来源的综合测试平台MAGE，验证了分布外检测的挑战与可行性，并开源相关资源。
2024-05-21 cs.CL
Can You Make It Sound Like You? Post-Editing LLM-Generated Text for Personal Style
III University of Maryland（III 马里兰大学）
研究探讨用户通过后编辑LLM生成文本来塑造个人风格的效果，发现后编辑提高了文本与用户自身写作的相似性，但降低了与LLM生成文本的相似性，同时减少了风格多样性。
2026-04-27 cs.CL
Detecting undisclosed LLM-generated content in parliamentary texts
Chalmers University of Technology（查尔姆斯理工大学）；University of Cambridge（剑桥大学）
本研究训练可解释文本分类器，检测英国和瑞典议会文本中未披露的LLM使用情况，发现自2022年起两国议会中未披露的LLM使用持续增加。
2026-06-15 cs.CL
Human Variability vs. Machine Consistency: A Linguistic Analysis of Texts Generated by Humans and Large Language Models
University of Konstanz（康斯坦茨大学）
本文基于M4数据集和250个语言特征，结合LFTK、句法深度、语义与情感度量及PCA分析，识别人类与LLM文本在特征变异性、认知负荷和内容丰富度上的差异。
2024-12-04 cs.CL
Is Contrasting All You Need? Contrastive Learning for the Detection and Attribution of AI-generated Text
University of Calabria（卡拉布里亚大学）
本文提出WhosAI三元组对比学习框架，利用多生成器语义表示同时完成AI文本检测与作者归属，并在20万篇新闻的TuringBench上超越全部排行榜方法。
2025-03-17 cs.AI cs.CL cs.CY
Robust Detection of LLM-Generated Text: A Comparative Analysis
Purdue University（普渡大学）；University of Chicago（芝加哥大学）
本研究针对LLM生成文本检测的二分类任务，基于开源数据集比较了传统机器学习、基于转换器的模型及利用LLM自身的检测方法，重点评估了模型泛化、对抗攻击鲁棒性与准确性，并总结了实验结果与未来方向。
2024-11-09 cs.CL
Who Wrote This? The Key to Zero-Shot LLM-Generated Text Detection Is GECScore
University of Macau（澳门大学）；Harbin Institute of Technology（哈尔滨工业大学）
本文提出一种黑盒零样本检测方法GECScore，利用人类文本比LLM生成文本包含更多语法错误的特性进行区分，在XSum和Writing Prompts数据集上平均AUROC达98.62%，优于现有SOTA方法且抗改写攻击。
2025-03-01 cs.CL
