面向出版商的 AI 检测器应放在工作流程的分诊环节，而不是裁决环节。用它来决定哪些投稿需要人工更仔细地阅读，设定一个触发审查而非拒稿的阈值，并记录下每个决定的原因。分数是概率估计，不是作者身份的证明。
关键要点
- 检测器分数是一个筛查信号。它告诉你该把编辑精力花在哪里，而不是谁写了这篇文章。
- 设置两个阈值：一个触发人工审查，一个触发要求投稿者提供起草记录。仅凭分数就自动拒稿是站不住脚的。
- 非英语母语写作者更容易被标记。把这些标记交给一个关注意义而非统计数据的人来处理。
- 每个决定都需要在档案中留一行记录：日期、工具、分数、审查人、原因、处理措施。这份记录才是保护投稿者和你的东西。
- 在投稿开放之前公布政策。一个在拒稿后才了解规则的投稿者不会再投稿。
将这一流程正式化的压力来自编辑部门之外。平台和出版商现在必须回答机器生成文本如何进入其页面的问题，而诚实的答案是，大多数新闻编辑室仍然凭直觉进行分诊。直觉经不起投稿者纠纷。书面流程则可以。
AI 检测器在编辑工作流程中究竟该放在哪里？
放在入口处，在人工花一小时处理一篇可能需要退回的文章之前。这就是它的全部职责。
想象一个典型的自由撰稿提交流程：提案、录用、草稿、编辑、事实核查、发布。检测器属于“草稿到达”和“编辑仔细阅读”之间，作为一个分拣步骤。它回答一个问题：哪些稿件值得优先慢读？
它不属于发布关口的最终否决，也不属于拒稿邮件中陈述的理由。这两者都会把筛选工具变成指控机器。投稿人之间会互相交流。一个仅凭分数就拒稿的新闻编辑室，在一个季度内就会声名在外。
一个可行的分诊规则是这样的：
- 在收稿时对草稿运行检测。记录整篇文档的分数和句子级高亮。
- 如果分数低，稿件进入正常编辑队列。不标记，不通知投稿人。
- 如果分数处于临界值，稿件进入正常队列，但编辑在阅读时打开句子高亮。
- 如果分数高，稿件在任何决定做出之前先交给第二位读者。
- 只有在第二次阅读之后，才有人联系投稿人。
句子级视图比标题数字更重要。一篇文档可能因为三个段落读起来流畅统一而得分很高，而其余部分则带有作者的指纹。看清哪些句子携带信号，能告诉你面对的是机器写的稿件，还是中间部分经过润色的人类稿件。
如果你想在做出任何决定之前，看清投稿中哪些句子携带信号，请将草稿通过 DeAIze 检测器 运行，并阅读高亮内容，而不只是标题分数。当你准备在真实投稿上测试时，套餐和字数额度在定价页面上。
你如何设置触发审查而非拒绝的阈值？
两个阈值，一条策略，没有例外。
| 分数区间 | 流程动作 | 谁来决定 | 保留记录 |
|---|---|---|---|
| 低 | 正常编辑队列 | 指定编辑 | 分数和时间戳 |
| 临界 | 正常队列，高亮待处理 | 指定编辑 | 分数、高亮、编辑备注 |
| 高 | 联系前由第二读者复核 | 两名编辑 | 分数、两次阅读、决定、理由 |
| 任何区间，贡献者提出异议 | 调取完整记录 | 主编 | 上述所有内容加通信记录 |
自动拒绝不应作为一个类别存在。不存在某个分数，让机器可以在没有人签字的情况下终止与贡献者的关系。如果你的工作流程无法容纳第二次阅读，那么你的工作流程根本还不适合使用检测。
阈值本身是一种判断，应该由你的团队在你自己的档案上设定，而不是从供应商的营销页面借用。在你确知是人类撰写的作品集和你确知是机器生成的作品集上运行检测，看看这两组在你的体裁中实际落在哪里。观点专栏和突发新闻稿不会与长篇特稿处于同一位置。
我们自己的测量能让人感受到分布范围。在 2026-09-19，我们用 DeAIze 检测器以 30% 的标记阈值对两个语料库进行了评分。一个由 46 篇手写 DeAIze 指南组成的人类撰写样本，平均 AI 分数为 27%，中位数为 25%，范围从 0 到 55%。未经编辑的模型输出，即根据固定提示生成且未经编辑的 12 段文本，平均为 35%，中位数为 34%，范围从 25 到 49%。在该阈值下，46 篇人类撰写的作品中有 17 篇被标记。
再读一遍最后那个数字。这正是阈值触发审查而非拒绝的全部原因。一个能捕捉机器输出的标记阈值，同样也会捕捉到相当比例的人类写作，而人类写作是你不能承受失去的部分。
误报问题在实践中是什么样子？
它看起来像一位为你写了多年的撰稿人，其草稿得分很高，而唯一的罪过是用第二语言写作。
非英语母语写作者是这里受影响最大的群体。当一个人用后来学会的语言写作时，他们往往会选择安全的表达方式：标准的过渡词、常规的句式、较少的个性化旁白。这些习惯与检测模型视为机器化的特征重叠。结果就是，一篇明显是那个人作品的稿件被标记了。
我们已经在为什么AI检测器会标记非英语母语写作者中详细讨论过这一点，对编辑来说，实际的启示很简单。非母语写作者草稿上的标记是提示你更仔细地阅读，绝不是提示你发出指控。
同样的逻辑适用于任何按照统一风格写作的作者，这种风格抹平了个人的节奏。通讯社稿件、法律相关的解释性文章以及严格模板化的评论，都会产生读起来千篇一律的文字。千篇一律是一种检测信号。有时它也只是工作要求而已。
有三件事可以在不削弱流程的前提下减少误报带来的损害：
- 在第一次对话中绝不要提分数。 询问起草过程。问哪些部分写得轻松。让作者先描述作品是如何写成的，然后再引入数字。
- 亲自阅读句子高亮。 如果被标记的句子正是承担事实核心内容的部分，而连接性文字读起来像作者本人的风格，那你很可能遇到的是误报。
- 记录已解决的误报。 当同一模式出现三次时，调整你的阈值或针对特定体裁的规则。对出版物每个版块都使用静态阈值，是一项你将永远为之辩护的政策。
你如何记录一项投稿人真正能读懂的决策？
这份记录不是为你准备的。它是为那位询问自己作品为何被搁置的投稿人准备的，也是为六个月后没人记得细节时不得不作出回答的编辑准备的。
每次决策一行，保存在投稿文件中：
| 字段 | 示例值 |
|---|---|
| 日期和时间 | 收稿日期 |
| 工具和版本 | 检测器名称、层级、所用阈值 |
| 整篇文档分数 | 工具报告的数字 |
| 句子高亮 | 哪些句子带有标记 |
| 第一读者 | 姓名，是否完成阅读：是/否 |
| 第二读者 | 姓名，是否完成阅读：是/否 |
| 决策 | 接受、搁置、要求提供起草记录、拒绝 |
| 原因 | 用平实语言写的一两句话 |
| 投稿人联系 | 日期、方式、摘要 |
两条规则让这份记录有用而非官僚化。第一，原因字段必须能被新闻编辑室之外的人读懂。“在接收时被标记”不是原因。“连续三段读起来节奏一致，且文章缺乏这位投稿人作品中典型的来源特定细节”才是原因。第二，记录必须在联系投稿人之前完成。在对话之后才写理由，意味着你在反向推导一个论点，而且这看得出来。
如果投稿人要求查看记录，就给他们。扣留记录会把一个流程问题变成信任问题，而信任是维系自由撰稿人团队的唯一东西。
你应该在什么时候告知投稿人这项政策？
在他们投稿之前。不是在录用邮件里，不是在第一次标记之后，也不是埋在一份没人会打开的格式指南里。
一份面向投稿人的AI政策需要用平实的语言说明四件事：
- 你筛查什么。 说明投稿会作为若干信号之一接受机器生成文本的筛查。不要把它描述成任何事情的证据。
- 标记意味着什么。 标记意味着文章会被再次审读。它不意味着拒稿，也不意味着指控。
- 你可能要求什么。 起草过程记录、笔记、早期版本，或就文章如何写成进行简短交谈。提前说明这一点，这样提出要求时就不会让人意外。
- 你不会做什么。 你不会仅凭分数拒稿，也不会与第三方分享分数。
发布该政策可以一举两得。它既能筛掉那些打算把机器输出原封不动交上来的投稿者，也能让真正想要的投稿者安心——他们没什么可隐瞒的，而一个让人感觉随意的流程却可能让他们失去一切。
还有一个值得与常驻投稿者进行的相关讨论，而且它完全与检测无关。它关乎披露。如果一位作者用模型来起草某个章节、整理过渡段落或核实事实，那与模型直接写出整篇文章是两回事。在约稿邮件中加一行披露说明就能干净利落地处理这件事。我们在AI检测与自由职业工作中介绍了投稿者一侧的版本，同样的逻辑也适用于向同一系统提交稿件的专职作者。
检测器评分不能告诉你什么？
它不能告诉你文章是谁写的。它不能告诉你事实是否正确。它不能告诉你论点是否站得住脚。它不能告诉你作者是用模型来检查拼写，还是生成了三千字的填充内容。
它给你的只是对一段文本的概率估计，而这个估计来自一个自身带有偏见和盲区的模型。两个检测器会对同一段文字给出不同结论，而两者都在报告关于这段文本的某些真实信息。这就是为什么评分应该放在分诊环节，而不是裁决环节。
编辑有时会问，是否应该运行两个检测器并比较结果。这个直觉是合理的，但这样用时间效果很差。如果两个工具给出不同结论，你了解到的是这段文本处于模糊地带，而这正是临界读数已经告诉你的。把第二次阅读花在人工判断上吧。如果你想了解工具为什么一开始就会产生分歧，AI内容检测器如何工作介绍了其机制，没有厂商的粉饰。
还有一个值得点明的限制。检测在短文本上最弱。一篇200字的新闻简讯没有足够的信号让任何工具说出什么，而把简讯上的标记当作有意义的东西，会以任何新闻编辑室都无法承受的比率产生误报。把检测留给那些长到足以有节奏感的稿件。
一个实例演示
以下是一个示例，并非真实投稿。
一位投稿人提交了一篇1200字的解释性文章。入口检测返回了很高的整篇文档分数，中间四段被高亮，开头和结尾读起来干净。
编辑打开高亮部分。被标记的段落是那些总结监管流程的段落，句子平淡、节奏均匀，没有来源归属，也没有具体例子。开头和结尾带有作者一贯的习惯：简短的第一句、直接对读者说话、结尾一句引用之前的对话。
情况并不是“投稿人整篇都用了模型”。情况是投稿人很可能从某处粘贴了一段摘要，并围绕它来写。编辑问了一个具体的问题：你能带我过一遍你是怎么把中间部分拼起来的吗？投稿人解释说，他们从一家行业刊物上摘了这段摘要，并在截稿压力下重写了它。编辑要求他们用自己的报道替换这段摘要，或者加上来源归属。文章照常发表。
没有指控。没有引用分数。一次有记录的对话。这就是分诊在正常运作时的样子。
准备好看看哪些句子读起来像机器写的了吗？
把一份真实的投稿通过DeAIze检测器跑一遍，然后看句子级别的标记，而不只是那个总分数。整篇文档的数字告诉你某篇东西值得再看一眼；那些标记告诉你哪些段落真正承载了信号，而这正是让分诊决定站得住脚的部分。
当一篇被标记的文章是投稿者自己的作品，而问题在于文风平淡、千篇一律，而非作者身份时，humanizer只重写被标记的句子，检查原意是否保留，并在改写前后重新打分。在网站上的示例段落中，92%的AI分数变成了4%。网站报告称，humanize后AI分数平均降低60%以上，最佳情况为71%。这些是产品自己预测的分数，不是第三方检测器的判定，也不保证适用于你的文本。
如果你是在一批积压稿件上测试这个，免费套餐注册即送200词，无需信用卡，而且积分永不过期，所以对一份投稿做一次试跑不花你一分钱。当你准备好把它接入真正的流程时，在此注册，就从此刻堆在你队列里的草稿开始吧。