Detektory AI mają nowy sposób na tekst po „humanizacji”
Spis treści
Badacze z MIT i Cornell Tech zaproponowali detektor tekstu AI, który dostosowuje się do analizowanej partii materiału. W ich eksperymencie metoda test-time adaptation wykryła 93,3 proc. tekstów wygenerowanych przez AI i przerobionych przez humanizer, podczas gdy komercyjny Pangram rozpoznał 27 proc. próbek.
Detektor nie powinien być zamrożony
Problem z klasycznymi detektorami polega na tym, że po treningu ich model pozostaje zasadniczo niezmienny. Gdy pojawia się nowy model językowy albo narzędzie do przerabiania tekstu, system może nie znać jego charakterystycznych wzorców. To właśnie ten mechanizm wykorzystują humanizery: zmieniają słownictwo, rytm zdań i konstrukcję wypowiedzi tak, aby tekst wyglądał na napisany przez człowieka.
Autorzy pracy „Hitting a Moving Target” proponują, aby model uczył się także w momencie użycia. Test-time adaptation (TTA) analizuje nie tylko pojedynczy tekst, lecz także podobieństwa w całej, nieopisanej etykietami partii materiału. Założenie jest proste: teksty pochodzące z tego samego modelu lub poddane temu samemu humanizerowi mogą tworzyć bardziej jednolity wzorzec niż niezależne teksty ludzkie. Badacze określają ten sygnał mianem „inference-time homogeneity”.
Wyniki są obiecujące, ale nie oznaczają końca problemu
W teście z tekstem celowo zmodyfikowanym w celu ominięcia detektora metoda TTA osiągnęła 93,3 proc. wykryć, a Pangram 27 proc. To porównanie dotyczy konkretnego zbioru badawczego i konkretnego sposobu ataku, więc nie można traktować go jako uniwersalnej dokładności dla każdego tekstu i każdego języka.
Eksperyment obejmował także zmianę używanego modelu. W próbie przeprowadzonej po premierze GPT-5.4, 5 marca 2026 r., Pangram zaklasyfikował jako w pełni lub częściowo wygenerowane przez AI 34 proc. badanych abstraktów. Po aktualizacji Pangram 3.3.2 w maju jego wynik dla tego modelu wyraźnie się poprawił. To ważne zastrzeżenie: badanie pokazuje słabość detektora wobec danych spoza rozkładu treningowego, a nie stałą przewagę jednej usługi nad drugą.
Mniej fałszywych alarmów?
Badacze sprawdzili też, co dzieje się wtedy, gdy zmienia się sam język ludzi. W symulacji detektor trenowany na tekstach z 2010 r. poprawnie rozpoznawał ludzkie pisanie z tego roku w 85,9 proc. przypadków, ale dla tekstów z 2020 r. wynik spadał do 73,4 proc. Wariant TTA był stabilniejszy: dla jednej z jego odmian czułość na tekst ludzki zmieniła się z 90,2 proc. do 89,8 proc.
To właśnie fałszywe alarmy są kluczowym testem dla takich narzędzi. Wynik detektora nie powinien sam w sobie przesądzać o autorstwie pracy, decyzji redakcyjnej czy ocenie kandydata. Metoda TTA może ograniczyć problem zmiany stylu w czasie, ale sama praca zaznacza, że nie rozwiązuje go definitywnie: jeśli tekst ludzki i maszynowy będą coraz bardziej podobne, rozdzielenie ich stanie się trudniejsze.
Gdzie ta metoda może się przydać?
Zdaniem zespołu rozwiązanie może pomóc edukacji, wydawcom, rekruterom i redakcjom jako jeden z sygnałów weryfikacyjnych. Potencjalne zastosowania obejmują także wykrywanie phishingu oraz nadużyć w SEO. Najważniejsza zmiana jest jednak bardziej praktyczna niż marketingowa: zamiast stale nadrabiać zaległości po premierze kolejnych modeli, detektor dostaje możliwość reagowania na nowe dane w chwili analizy.
Autorzy udostępnili kod i opisali ograniczenia eksperymentów. Wyniki trzeba więc traktować jako argument za adaptacyjnymi detektorami, a nie dowód, że każdy tekst napisany przez AI da się niezawodnie rozpoznać.
Źródła
Autor Artykułu
Paweł Lisowski
Paweł Lisowski - pasjonat technologii, komputerów i internetu. Od wielu lat śledzi rozwój sprzętu i oprogramowania, testuje nowe rozwiązania i dzieli się wiedzą z czytelnikami. Zafascynowany wpływem technologii na codzienne życie, tworzy praktyczne poradniki i inspiruje do świadomego korzystania z cyfrowego świata.