Jak działają detektory AI?

Jak działają detektory AI?

Krótka odpowiedź: Detektory AI nie „udowadniają”, kto coś napisał; szacują, jak bardzo dany fragment pasuje do znanych wzorców modelu językowego. Większość z nich opiera się na połączeniu klasyfikatorów, sygnałów przewidywalności (perpleksja/wybuchowość), stylometrii, a w rzadszych przypadkach, weryfikacji znaku wodnego. Jeśli próbka jest krótka, bardzo formalna, techniczna lub napisana przez autora ESL, potraktuj wynik jako wskazówkę do oceny, a nie werdykt.

Najważniejsze wnioski:

Prawdopodobieństwo, nie dowód : traktuj procenty jako sygnały ryzyka „podobieństwa do sztucznej inteligencji”, a nie pewność.

Błędy fałszywie pozytywne : Teksty formalne, techniczne, szablonowe lub napisane w obcym języku są często błędnie oznaczane.

Mieszanie metod : narzędzia łączą klasyfikatory, perpleksję/pękalność, stylometrię i nietypowe kontrole znaków wodnych.

Przejrzystość : Preferuj detektory, które wykrywają rozpiętości, cechy i niepewność, a nie tylko pojedynczą liczbę.

Możliwość zaskarżania : Miej pod ręką projekty/notatki i dowody procesowe na wypadek sporów i odwołań.

Jak działają detektory AI? Infografika

Artykuły, które mogą Ci się spodobać po przeczytaniu tego:

🔗 Jaki jest najlepszy detektor sztucznej inteligencji?
Porównanie najlepszych narzędzi do wykrywania sztucznej inteligencji pod względem dokładności, funkcji i przypadków użycia.

🔗 Czy detektory AI są niezawodne?
Wyjaśnia pojęcie niezawodności, fałszywe alarmy i częste rozbieżności wyników.

🔗 Czy Turnitin wykrywa sztuczną inteligencję?
Kompletny przewodnik po wykrywaniu sztucznej inteligencji w Turnitin, ograniczeniach i najlepszych praktykach.

🔗 Czy detektor QuillBot AI jest dokładny?
Szczegółowy przegląd dokładności, mocnych i słabych stron oraz testów w warunkach rzeczywistych.

1) Krótki pomysł – co tak naprawdę robi detektor AI ⚙️

Większość detektorów AI nie „łapie AI” jak sieć łowiąca ryby. Robią coś bardziej prozaicznego:

Bądźmy szczerzy – interfejs użytkownika wyświetli komunikat w stylu „92% AI”, a twój mózg pomyśli: „No cóż, chyba to fakt”. To nie fakt. To przypuszczenie modelu na temat odcisków palców innego modelu. Co jest lekko zabawne, jak psy wąchające psy 🐕🐕

2) Jak działają detektory AI: najpopularniejsze „silniki detekcji” 🔍

Detektory zazwyczaj wykorzystują jedno (lub mieszankę) z poniższych podejść: ( Badanie wykrywania tekstu generowanego przez LLM )

A) Modele klasyfikatorów (najczęściej spotykane)

Klasyfikator jest trenowany na przykładach z etykietami:

  • Próbki napisane przez ludzi

  • Próbki generowane przez sztuczną inteligencję

  • Czasami „hybrydowe” próbki (tekst edytowany przez sztuczną inteligencję)

Następnie uczy się wzorców, które oddzielają grupy. To klasyczne podejście uczenia maszynowego i może być zaskakująco przyzwoite… dopóki nie przestanie działać. ( Badanie dotyczące wykrywania tekstu generowanego przez LLM )

B) Ocena zakłopotania i „wybuchowości” 📈

Niektóre detektory obliczają, na ile tekst jest „przewidywalny”.

  • Perplexity : w przybliżeniu, jak bardzo model językowy jest zaskoczony kolejnym słowem. ( Uniwersytet w Bostonie - Posty o Perplexity )

  • Niższy poziom zakłopotania może sugerować, że tekst jest wysoce przewidywalny (co może mieć miejsce w przypadku wyników uzyskiwanych za pomocą sztucznej inteligencji). ( DetectGPT )

  • „Burstiness” to miara zróżnicowania złożoności i rytmu zdań. ( GPTZero )

To podejście jest proste i szybkie. Łatwo je jednak pomylić, bo ludzie też potrafią pisać w przewidywalny sposób (cześć, firmowe e-maile). ( OpenAI )

C) Stylometria (odcisk palca pisma) ✍️

Stylometria bada wzorce takie jak:

  • średnia długość zdania

  • styl interpunkcji

  • częstotliwość wyrazów funkcyjnych (the, and, but…)

  • różnorodność słownictwa

  • wyniki czytelności

To jak „analiza pisma ręcznego”, z tą różnicą, że dotyczy tekstu. Czasami pomaga. Czasami to jak diagnozowanie przeziębienia poprzez patrzenie na czyjeś buty. ( Stylometria i kryminalistyka: przegląd literatury ; Słowa funkcyjne w atrybucji autorstwa )

D) Wykrywanie znaku wodnego (jeśli istnieje) 🧩

Niektórzy dostawcy modeli mogą osadzać subtelne wzorce („znaki wodne”) w generowanym tekście. Jeśli detektor zna schemat znaku wodnego, może spróbować go zweryfikować. ( Znak wodny dla dużych modeli językowych ; Tekst SynthID )

Ale… nie wszystkie modele mają znaki wodne, nie wszystkie wyniki zachowują je po edycji i nie wszystkie detektory mają dostęp do sekretnego składnika. Nie jest to więc rozwiązanie uniwersalne. ( O niezawodności znaków wodnych dla dużych modeli językowych ; OpenAI )

3) Co sprawia, że ​​detektor AI jest dobry ✅

„Dobry” detektor (z mojego doświadczenia wynika, że ​​testowałem ich wiele równolegle w procesach redakcyjnych) to nie ten, który krzyczy najgłośniej. To ten, który zachowuje się odpowiedzialnie.

Oto co sprawia, że ​​detektor AI jest solidny:

Najlepsze, jakie widziałem, są zazwyczaj nieco skromne. Najgorsze zachowują się, jakby czytały w myślach 😬

4) Tabela porównawcza – popularne „typy” detektorów AI i ich przydatność 🧾

Poniżej znajduje się praktyczne porównanie. To nie są nazwy marek – to główne kategorie, z którymi się spotkasz. ( Ankieta dotycząca wykrywania tekstu generowanego przez LLM )

Typ narzędzia (ish) Najlepsza publiczność Odczucie ceny Dlaczego to działa (czasami)
Perplexity Checker Lite Nauczyciele, szybkie kontrole Wolny Szybki sygnał dotyczący przewidywalności, ale może być nerwowy…
Klasyfikator Skaner Pro Redaktorzy, HR, zgodność Prenumerata Uczy się wzorców z oznaczonych danych – przyzwoity w przypadku tekstu o średniej długości
Analizator stylometryczny Badacze, specjaliści od kryminalistyki $$$ lub nisza Porównuje odciski palców – dziwaczne, ale przydatne w dłuższej formie
Wyszukiwarka znaków wodnych Platformy, zespoły wewnętrzne Często pakowane Mocne, gdy istnieje znak wodny – jeśli go nie ma, to w zasadzie wzruszenie ramion
Pakiet hybrydowy dla przedsiębiorstw Duże organizacje Na miejsce, kontrakty Łączy wiele sygnałów – lepszy zasięg, więcej pokręteł do dostrojenia (i więcej sposobów na błędną konfigurację, ups)

Zwróć uwagę na kolumnę „odczucie ceny”. Tak, to nie jest naukowe. Ale szczere 😄

5) Główne sygnały, których szukają detektory – „podpowiedzi” 🧠

Oto, co wiele detektorów próbuje zmierzyć „pod maską”:

Przewidywalność (prawdopodobieństwo żetonu)

Modele językowe generują tekst, przewidując prawdopodobne kolejne tokeny. To zazwyczaj prowadzi do:

Ludzie natomiast często bardziej zygzakowato myślą. Przeczymy sobie, dodajemy przypadkowe komentarze, używamy nieco nietrafionych metafor – na przykład porównujemy detektor AI do tostera oceniającego poezję. Ta metafora jest kiepska, ale rozumiesz, o co chodzi.

Powtarzanie i wzorce strukturalne

Teksty sztucznej inteligencji mogą zawierać subtelne powtórzenia:

Ale też – wielu ludzi tak pisze, zwłaszcza w szkole czy w korporacjach. Więc powtarzanie jest wskazówką, a nie dowodem.

Nadmierna przejrzystość i „zbyt czysta” proza ​​✨

To osobliwe. Niektóre detektory domyślnie traktują „bardzo czysty tekst” jako podejrzany. ( OpenAI )

Co jest niezręczne, ponieważ:

  • istnieją dobrzy pisarze

  • istnieją redaktorzy

  • istnieje sprawdzanie pisowni

Jeśli więc zastanawiasz się, jak działają detektory AI , to część odpowiedzi brzmi: czasami nagradzają one szorstkość. Co jest… trochę na opak.

Gęstość semantyczna i frazeologia generyczna

Detektory mogą oznaczać tekst, który wydaje się:

Sztuczna inteligencja często tworzy treści, które brzmią sensownie, ale są lekko wyretuszowane. Jak pokój hotelowy, który wygląda ładnie, ale nie ma charakteru 🛏️

6) Podejście klasyfikacyjne – jak jest trenowane (i dlaczego się psuje) 🧪

Detektor klasyfikatora jest zazwyczaj trenowany w następujący sposób:

  1. Zbierz zbiór danych w postaci tekstów napisanych przez ludzi (esejów, artykułów, forów itp.)

  2. Generuj tekst AI (wiele monitów, stylów, długości)

  3. Oznacz próbki

  4. Wytrenuj model, aby je oddzielić za pomocą funkcji lub osadzeń

  5. Zweryfikuj to na podstawie danych przechowywanych

  6. Wyślij to… a rzeczywistość uderzy cię w twarz ( badanie dotyczące wykrywania tekstu generowanego przez LLM )

Dlaczego rzeczywistość nas atakuje:

  • Zmiana domeny : dane treningowe nie odpowiadają rzeczywistemu pisaniu użytkownika

  • Zmiana modelu : modele nowej generacji nie zachowują się jak te w zestawie danych

  • Efekty edycji : edycje wykonywane przez człowieka mogą usuwać oczywiste wzorce, ale zachowywać subtelne

  • Różnice językowe : dialekty, pismo ESL i style formalne bywają błędnie odczytywane ( Badanie wykrywania tekstu generowanego przez LLM ; Liang i in. (arXiv) )

Widziałem detektory, które były „doskonałe” na własnym zestawie demonstracyjnym, a potem rozpadały się na kawałki w praktyce. To tak, jakby wyszkolić psa tropiącego tylko na jednej marce ciastek i oczekiwać, że znajdzie każdą przekąskę na świecie 🍪

7) Zakłopotanie i wybuchowość – skrót matematyczny 📉

Ta rodzina detektorów opiera się na punktacji modelu językowego:

  • Przepuszczają Twój tekst przez model, który szacuje prawdopodobieństwo każdego kolejnego tokena.

  • Obliczają ogólne „zaskoczenie” (perplexity). ( Uniwersytet Bostoński - Posty o perplexity )

  • Mogą dodać wskaźniki zmienności („pękawość”), aby sprawdzić, czy rytm wydaje się ludzki. ( GPTZero )

Dlaczego czasami to działa:

  • Surowy tekst AI może być niezwykle płynny i statystycznie przewidywalny ( DetectGPT )

Dlaczego się nie udaje:

  • krótkie próbki są zaszumione

  • formalne pisanie jest przewidywalne

  • pisanie techniczne jest przewidywalne

  • pisanie w języku obcym może być przewidywalne

  • mocno edytowany tekst AI może wyglądać jak ludzki ( OpenAI ; Turnitin )

Więc, jak działają detektory AI, czasami przypomina to pistolet pomiarowy prędkości, który myli rowery i motocykle. Ta sama droga, różne silniki 🚲🏍️

8) Znaki wodne – pomysł na „odcisk palca w tuszu” 🖋️

Znakowanie wodne wydaje się być dobrym rozwiązaniem: oznaczanie tekstu AI w momencie generowania, a wykrywanie go później. ( Znak wodny dla dużych modeli językowych ; Tekst SynthID )

W praktyce znaki wodne mogą być delikatne:

Ponadto wykrywanie znaku wodnego działa tylko wtedy, gdy:

  • użyto znaku wodnego

  • detektor wie jak to sprawdzić

  • tekst nie został zbytnio przekształcony ( OpenAI ; SynthID Text )

Tak, znaki wodne mogą być skuteczne, ale nie są uniwersalnym znakiem policyjnym.

9) Fałszywie pozytywne wyniki i dlaczego się zdarzają (bolesna część) 😬

Ten temat zasługuje na osobną sekcję, bo to właśnie tam budzi najwięcej kontrowersji.

Typowe fałszywie pozytywne czynniki wyzwalające:

  • Bardzo formalny ton (pismo akademickie, prawnicze, dotyczące zgodności)

  • Język angielski nie jest językiem ojczystym (prostsze konstrukcje zdań mogą wyglądać „modelowo”)

  • Pisanie na podstawie szablonów (listy motywacyjne, procedury operacyjne, raporty laboratoryjne)

  • Krótkie próbki tekstu (za mało sygnału)

  • Ograniczenia tematyczne (niektóre tematy wymuszają powtarzające się sformułowania) ( Liang i in. (arXiv) ; Turnitin )

Jeśli kiedykolwiek widziałeś, jak ktoś został zbanowany za zbyt dobre pisanie… tak. To się zdarza. I to jest brutalne.

Wynik detektora należy traktować w następujący sposób:

  • alarm przeciwpożarowy, a nie wyrok sądowy 🔥
    Mówi „może sprawdzić”, a nie „sprawa zamknięta”. ( OpenAI ; Turnitin )

10) Jak interpretować wyniki detektora jak dorosły 🧠🙂

Oto praktyczny sposób odczytywania wyników:

Jeżeli narzędzie podaje pojedynczy procent

Potraktuj to jako przybliżony sygnał ryzyka:

  • 0-30%: prawdopodobnie ludzkie lub mocno edytowane

  • 30-70%:strefa niejednoznaczna - nie zakładaj niczego

  • 70–100% : bardziej prawdopodobne, że wzorce przypominają te pochodzące od sztucznej inteligencji, ale wciąż nie jest to dowód ( przewodniki Turnitin )

Nawet wysokie wyniki mogą być błędne, zwłaszcza w przypadku:

  • pisanie standaryzowane

  • niektóre gatunki (streszczenia, definicje)

  • Pisanie w języku angielskim jako drugim języku ( Liang i in. (arXiv) )

Szukaj wyjaśnień, nie tylko liczb

Lepsze detektory zapewniają:

Jeśli narzędzie odmawia wyjaśnienia czegokolwiek i po prostu wciska ci liczbę w czoło… Nie ufam mu. Ty też nie powinieneś.

11) Jak działają detektory AI: prosty model mentalny 🧠🧩

Jeśli chcesz wyciągnąć z tego czysty wniosek, zastosuj ten model mentalny:

  1. Detektory AI szukają wzorców statystycznych i stylistycznych powszechnie występujących w tekstach generowanych maszynowo. ( Badanie dotyczące wykrywania tekstu generowanego przez LLM )

  2. Porównują te wzorce z tym, czego nauczyli się na przykładach szkoleniowych. ( Badanie dotyczące wykrywania tekstu generowanego przez LLM )

  3. Dostarczają one przypuszczenie o charakterze prawdopodobieństwa , a nie historię o faktycznym pochodzeniu. ( OpenAI )

  4. Przypuszczenie jest wrażliwe na gatunek, temat, długość, edycje i dane treningowe detektora . ( Badanie dotyczące wykrywania tekstu generowanego przez LLM )

Innymi słowy, detektory AI działają w ten sposób , że „oceniają podobieństwo”, a nie autorstwo. To tak, jakby ktoś powiedział, że wygląda jak jego kuzyn. To nie to samo, co test DNA… a nawet testy DNA mają przypadki skrajne.

12) Praktyczne wskazówki, jak zmniejszyć liczbę przypadkowych flag (bez grania w gry) ✍️✅

Nie chodzi o to, „jak oszukać detektory”. Raczej o to, jak pisać w sposób odzwierciedlający prawdziwe autorstwo i unikający dziwnych błędnych interpretacji.

  • Dodaj konkretne szczegóły: nazwy pojęć, których faktycznie użyłeś, podjęte kroki, rozważone kompromisy

  • Stosuj naturalną zmienność: mieszaj zdania krótkie i długie (tak jak robią to ludzie, gdy myślą)

  • Uwzględnij rzeczywiste ograniczenia: limity czasowe, użyte narzędzia, co poszło nie tak, co zrobiłbyś inaczej

  • Unikaj sformułowań nadmiernie szablonowych: zamień „Co więcej” na coś, co faktycznie byś powiedział

  • Zachowaj szkice i notatki: jeśli kiedykolwiek pojawi się spór, dowody w procesie są ważniejsze niż przeczucie

Prawdę mówiąc, najlepszą obroną jest po prostu… bycie autentycznym. Niedoskonale autentycznym, a nie autentycznym jak „idealna broszura”.

Uwagi końcowe 🧠✨

Detektory AI mogą być cenne, ale nie są maszynami do wyszukiwania prawdy. To dopasowujące wzorce algorytmy, trenowane na niedoskonałych danych, działające w świecie, w którym style pisania stale się nakładają. ( OpenAI ; Przegląd detekcji tekstu generowanego przez LLM )

Krótko mówiąc:

  • Detektory opierają się na klasyfikatorach, perpleksywności/pękalności, stylometrii i czasami znakach wodnych 🧩 ( Badanie dotyczące wykrywania tekstu generowanego przez LLM )

  • Szacują „podobieństwo do AI”, a nie pewność ( OpenAI )

  • Fałszywie pozytywne wyniki zdarzają się często w tekstach formalnych, technicznych lub w tekstach pisanych w językach obcych 😬 ( Liang i in. (arXiv) ; Turnitin )

  • Wykorzystaj wyniki detektora jako zachętę do przeglądu, a nie werdykt ( Turnitin )

I tak… jeśli ktoś zapyta ponownie: Jak działają detektory AI , możesz mu odpowiedzieć: „Oni zgadują na podstawie wzorców – czasami sprytni, czasami dziwaczni, zawsze ograniczeni”. 🤖

Często zadawane pytania

Jak w praktyce działają detektory AI?

Większość detektorów AI nie „udowadnia” autorstwa. Szacują one, jak bardzo tekst przypomina wzorce powszechnie generowane przez modele językowe, a następnie generują wynik podobny do prawdopodobieństwa. W tle mogą wykorzystywać modele klasyfikacyjne, punktację przewidywalności opartą na perpleksjach, cechy stylometryczne lub weryfikację znaku wodnego. Wynik najlepiej traktować jako sygnał ryzyka, a nie ostateczny werdykt.

Jakich sygnałów szukają detektory sztucznej inteligencji w piśmie?

Typowe sygnały to przewidywalność (jak bardzo model jest „zaskoczony” Twoimi kolejnymi słowami), powtórzenia w strukturach zdań, nietypowo spójne tempo oraz frazeologia ogólna z niewielką ilością konkretnych szczegółów. Niektóre narzędzia analizują również wskaźniki stylometryczne, takie jak długość zdań, nawyki interpunkcyjne i częstotliwość występowania słów funkcyjnych. Sygnały te mogą pokrywać się z tekstem pisanym przez człowieka, zwłaszcza w gatunkach formalnych, akademickich lub technicznych.

Dlaczego detektory AI oznaczają pisanie przez człowieka jako działanie AI?

Fałszywe wyniki pojawiają się, gdy tekst pisany przez człowieka wygląda statystycznie „gładko” lub szablonowo. Formalny ton, sformułowania w stylu „zgodne z przepisami”, techniczne wyjaśnienia, krótkie przykłady i język obcy dla języka angielskiego – wszystko to może zostać błędnie odczytane jako styl sztucznej inteligencji, ponieważ zmniejsza zmienność. Dlatego czysty, dobrze zredagowany akapit może skutkować wysokim wynikiem. Detektor porównuje podobieństwo, a nie potwierdza pochodzenie.

Czy detektory perpleksywności i „pękania” są wiarygodne?

Metody oparte na perplexity mogą działać, gdy tekst jest surowym, wysoce przewidywalnym wynikiem AI. Są jednak kruche: krótkie fragmenty są zaszumione, a wiele legalnych gatunków literackich jest naturalnie przewidywalnych (streszczenia, definicje, e-maile firmowe, instrukcje). Edycja i dopracowanie tekstu również mogą radykalnie zmienić wynik. Narzędzia te nadają się do szybkiej selekcji, a nie do samodzielnego podejmowania decyzji o wysokim ryzyku.

Jaka jest różnica pomiędzy detektorami klasyfikacyjnymi i narzędziami stylometrycznymi?

Detektory klasyfikatorów uczą się z oznaczonych zbiorów danych tekstu ludzkiego i sztucznej inteligencji (a czasem hybrydowego) i przewidują, do którego segmentu dany tekst najbardziej przypomina. Narzędzia stylometryczne koncentrują się na „odciskach palców” pisma, takich jak wzorce doboru słów, słowa funkcyjne i sygnały czytelności, które mogą być bardziej informatywne w analizie długich form. Oba podejścia charakteryzują się przesunięciem domeny i mogą mieć problemy, gdy styl pisania lub temat różnią się od danych treningowych.

Czy znaki wodne na dobre rozwiążą problem wykrywania przez sztuczną inteligencję?

Znaki wodne mogą być silne, gdy model ich używa, a detektor zna schemat znaku wodnego. W rzeczywistości nie wszyscy dostawcy stosują znaki wodne, a typowe transformacje – parafrazowanie, tłumaczenie, częściowe cytowanie lub mieszanie źródeł – mogą osłabić lub zakłócić ten wzorzec. Wykrywanie znaków wodnych jest skuteczne w wąskich przypadkach, gdy cały łańcuch się zgadza, ale nie zapewnia uniwersalnego zasięgu.

Jak mam interpretować wynik „X% AI”?

Potraktuj pojedynczy procent jako przybliżony wskaźnik „podobieństw do sztucznej inteligencji”, a nie dowód na autorstwo sztucznej inteligencji. Wyniki ze średniego przedziału są szczególnie niejednoznaczne, a nawet wysokie wyniki mogą być błędne w przypadku tekstów standardowych lub formalnych. Lepsze narzędzia oferują wyjaśnienia, takie jak wyróżnione zakresy, notatki o funkcjach i język niepewności. Jeśli detektor nie daje się wyjaśnić, nie traktuj tej liczby jako miarodajnej.

Co sprawia, że ​​detektor AI jest dobry dla szkół lub procesów redakcyjnych?

Solidny detektor jest skalibrowany, minimalizuje fałszywe alarmy i jasno komunikuje ograniczenia. Powinien unikać zbyt pewnych siebie twierdzeń na podstawie krótkich próbek, obsługiwać różne dziedziny (naukową, blogową i techniczną) i zachowywać stabilność podczas rewizji tekstu przez użytkowników. Najbardziej odpowiedzialne narzędzia działają z pokorą: oferują dowody i niepewność, zamiast działać jak osoby czytające w myślach.

Jak mogę ograniczyć przypadkowe flagi AI, nie „oszukując” systemu?

Skup się na autentycznych sygnałach autorstwa, a nie na sztuczkach. Dodaj konkretne szczegóły (podjęte kroki, ograniczenia, kompromisy), naturalnie zmieniaj rytm zdań i unikaj nadmiernie szablonowych przejść, których normalnie byś nie użył. Zachowaj wersje robocze, notatki i historię zmian – dowody z procesu często liczą się bardziej niż wynik testu w sporach. Celem jest przejrzystość i osobowość, a nie perfekcyjna proza ​​broszury.

Odniesienia

  1. Stowarzyszenie Lingwistyki Komputerowej (ACL Anthology) – Przegląd wykrywania tekstu generowanego przez LLM – aclanthology.org

  2. OpenAI – Nowy klasyfikator AI do oznaczania tekstu napisanego przez AI – openai.com

  3. Turnitin Guides – wykrywanie tekstu przez sztuczną inteligencję w klasycznym widoku raportu – guides.turnitin.com

  4. Turnitin Guides – model wykrywania pisma AI – guides.turnitin.com

  5. Turnitin – Zrozumienie fałszywych alarmów w ramach naszych możliwości wykrywania pisma przez sztuczną inteligencję – turnitin.com

  6. arXiv - WykryjGPT - arxiv.org

  7. Uniwersytet Bostoński – Posty z zakłopotaniem – cs.bu.edu

  8. GPTZero - Perplexity i burstiness: co to jest? - gptzero.me

  9. PubMed Central (NCBI) – Stylometria i kryminalistyka: przegląd literatury – ncbi.nlm.nih.gov

  10. Stowarzyszenie Lingwistyki Obliczeniowej (Antologia ACL) – Słowa funkcyjne w atrybucji autorstwa – aclanthology.org

  11. arXiv – znak wodny dla dużych modeli językowych – arxiv.org

  12. Google AI dla programistów – SynthID Text – ai.google.dev

  13. arXiv – O niezawodności znaków wodnych w dużych modelach językowych – arxiv.org

  14. OpenAI – Zrozumienie źródła tego, co widzimy i słyszymy w Internecie – openai.com

  15. Stanford HAI – Detektory sztucznej inteligencji stronnicze wobec pisarzy, dla których angielski nie jest językiem ojczystym – hai.stanford.edu

  16. arXiv - Liang i wsp. - arxiv.org

Znajdź najnowszą sztuczną inteligencję w oficjalnym sklepie z asystentami AI

O nas

Powrót do bloga