AI检测器的军备竞赛是一个循环：生成器改变文本的生成方式，检测器基于这些输出重新训练，生成器再次适应。没有任何单一分数能在这个循环中保持不变，因为每个分数描述的都是一个移动的目标。实际的应对方式是把检测器的输出视为若干弱信号之一，在句子层面解读它，并据此决定下一步怎么做，而不是把一个数字当作最终裁决。
为什么检测器和生成器不断交替领先？
双方都在针对对方的上一招进行优化。
生成器的目标是产出流畅、有用的文本。检测器的目标是把这种文本与人类写作区分开来。当新模型发布时，检测器会暂时落后，直到收集到足够多的该模型输出用于重新训练。当检测器重新训练后，下一次模型发布往往会磨掉那些最容易被抓住的习惯：重复的句式、过于均匀的节奏、可预测的连接词。
这并非任何一方的蓄意破坏。当两个产品共享同一套衡量标准时，就会出现这种情况。检测器是在模型输出样本上训练的；模型则是根据奖励流畅、通用文风的人类反馈来调优的。而流畅、通用的文风恰恰是检测器学会识别的东西。于是，生成器的改进和检测器的信号就在同一个圈子里互相追逐。
这个循环永远无法闭合还有第二个原因。检测是统计性的。检测器并不读取你的意图、你的来源或你的过程。它只是把你的文本与它以前见过的模式进行比较，然后返回一个概率。当训练数据发生变化时，这个概率就会改变，即使你的写作完全没有变化。一份上学期得到某种分数的草稿，这学期可能得到不同的分数，哪怕一个字都没有改。
我们自己的工具就显示了这有多嘈杂。在 2026-09-28，我们用 DeAIze 检测器（本地集成，轻量级）以 30% 的标记阈值对两个语料库进行了评分。一个由 709 篇手写 DeAIze 指南组成的人类撰写样本，其平均 AI 得分为 26%，中位数为 25%，范围为 0-69%；在这 709 篇中，有 239 篇在该阈值下被标记。未经编辑的模型输出，即从固定提示生成且未编辑的 12 段文本，平均值为 33%，中位数为 34%，范围为 4-46%。
再读一遍，因为这一段就是整篇文章。这两个分布严重重叠。很大一部分真正的人类写作，就落在未经编辑的模型输出同样所处的范围内。这不是检测器坏了。这就是对简短、正式、经过编辑的散文进行概率估计时该有的样子。
如果你依赖单一分数，这意味着什么？
这意味着单个数字无法承载你要求它承载的决定。
如果你是学生、教师、编辑、招聘经理或自由职业者，诱人的做法就是运行一个工具、读一个百分比，然后采取行动。这种做法在两个方向上都会失败。
假阳性发生在人类写作得分偏高时。正式语域、大量编辑、翻译、非母语措辞以及短样本都会推高分数。用严谨的机构英语写成的资助申请书，在统计上可能与模型输出相似，因为两者都是低方差、高一致性的散文。
假阴性发生在模型输出得分较低时。一段经过轻度改写的文字，或者只是碰巧在这一天被这个特定模型给出了低概率的文字，都可能通过检测。没有标记并不比有标记更能证明作者身份。
这两种错误是从相反方向看到的同一个错误：你在要求一个概率去完成事实的工作。
如果你想了解句子级评分如何改变局面，我们的AI检测工作原理指南会逐一讲解各种信号，而AI检测器中心则解释了报告各部分实际衡量的内容。两者都不要求你相信单一数字。
为什么两个检测器对同一份草稿意见不一？
因为它们测量的不是同一件事，即使它们使用相同的词语。
| 差异点 | 为何会改变分数 | 你可以做什么 |
|---|---|---|
| 训练数据 | 每个工具从不同的模型输出和人类写作样本中学习 | 在得出结论前运行多个工具 |
| 粒度 | 文档分数隐藏了哪些行携带信号；句子分数则显示出来 | 优先选择按句高亮的工具 |
| 阈值 | 低阈值下的标记和高阈值下的标记含义不同 | 询问产生标记的阈值是多少 |
| 样本长度 | 短段落给检测器的可用信息更少 | 谨慎判断短文本 |
| 语言和语域 | 非英语文本和翻译文本表现不同 | 在信任工具前检查其语言覆盖范围 |
这就是为什么可靠性问题以其通常的形式出现时是个错误的问题。“这个检测器准确吗？”没有稳定的答案，因为准确性是针对固定的测试集来衡量的，而生成器却在不断变化。更好的问题是：我正在做什么决策，而这个信号能承受多大的权重？
对于低风险决策，比如决定自己草稿中哪些段落需要重写，检测器分数是有用的。对于高风险决策，比如指控某人行为不端或拒收投稿，仅凭检测器分数是不够的。它从来就不是为此而设计的。
这些工具的诚实使用最终落脚于何处？
它落脚于三个习惯。
- 在句子层面而非文档层面评分。 整篇文档的百分比告诉你某些内容发生了变化。句子高亮告诉你变化在哪里。这就是裁决与编辑清单之间的区别，而只有后者是可操作的。
- 把分数当作提示，而非证据。 高分意味着“这里需要更仔细地看”。它并不意味着“这是生成的”。低分意味着“今天这个模型没有发现任何异常”。它并不意味着“这是人写的”。
- 保留过程，而不仅仅是文件。 草稿、笔记、来源、版本历史，以及一份关于你如何使用任何 AI 协助的简短说明，比任何检测器输出都更能确立作者身份。如果你被要求说明某篇写作的来龙去脉，这些书面记录就是证据。
这也是诚实边界所在之处。减少自己写作中的误报是合理的。整理自己由 AI 协助的草稿，使其读起来像你写的，是合理的。把别人的作品据为己有，或使用去 AI 化工具来掩盖你本应披露的作者身份，则不合理，没有任何工具能改变这一点。观点、数据和结论必须是你自己的。
如何负责任地解读检测器结果？
每次看到分数时，使用一个简短的检查清单。
- 询问测量的是什么。 文档分数和句子分数是不同的产品。要知道你正在看的是哪一种。
- 询问适用什么阈值。 低阈值下的标记比高阈值下的标记信号更弱。
- 查看被标记的句子，而不是标题数字。 大声朗读它们。它们听起来像你，还是听起来很泛泛？这种判断通常比分数更有信息量。
- 检查常见的假阳性触发因素。 正式语体、翻译、大量编辑和短样本都会提高人类写作的分数。我们自己的709份手写指南的人类样本平均为26%，这离零还很远。
- 当风险很高时，运行第二个工具。 工具之间的分歧是正常的，而且它是信息：它告诉你信号很弱。
- 永远不要把分数作为作者身份的证明。 它是一个概率估计。当你转述它时，要说明这一点。
一个示例说明，使用虚构的例子而非真实数字：想象你自己的一段机构性文字在一个工具上得分很高。你打开句子视图，看到被标记的两行是定义句和结尾总结，两者都用你到处使用的同样平稳、低变异度的语体写成。你重写这两行，使其符合你实际说话的方式，重新评分，被标记的集合缩小了。没有任何东西被隐藏。你只是移除了使你的写作看起来像其他人一样的模糊性。
AI检测的未来是什么样的？
军备竞赛不会结束。它会变得不那么核心。
三种转变已经显现。检测正朝着来源与披露的方向发展，而非纯粹的分类，因为声明过的流程比猜测的更可靠。工具正朝着句子级和面向编辑的输出方向发展，因为这才是人们真正能据以行动的东西。而机构正缓慢地朝着描述何为允许的政策方向发展，而非依赖某个分数保持稳定的政策。
对于任何依赖单一分数的人来说，结论并不光鲜。把检测器当作一个信号。在句子层面阅读它们。保留你的草稿。披露你使用了什么。当分数与你对自己写作的了解相矛盾时，相信你真正能展示的证据，而不是那个数字。
测量说明：本文中的数据来自我们自己的检测器于 2026-09-28 的运行——n = 709 篇手写指南对比 n = 12 个未经编辑的模型输出，AI 得分中位数分别为 25% 和 34%。方法：/methodology/。