AI撰写的新闻文章迹象主要是结构性的，而非词汇层面的。最明显的迹象包括缺失的出处、无人可能给出的引语、一接触就消失的消息来源，以及无法回答关于报道如何进行的简单问题的署名。与这些相比，检测器评分是一个微弱的信号。
关键要点
- 结构性线索胜过风格线索：薄弱的来源、引语式的句子，以及没有报道痕迹的署名，比破折号更重要。
- 评分是概率估计，不是作者身份的证明，绝不应成为撤下报道的理由。
- 先询问记者。大多数怀疑到此为止，而那些没有解决的则需要书面记录。
- 新闻编辑室的披露规则仍然薄弱；在需要之前写下你的规则。
- 我们自己的测量发现，一份人类撰写的样本平均得分为27% AI（n = 46，2026-09-19）——证明仅凭标记无法支撑指控。
报道性写作中会出现哪些结构性迹象？
报道性写作有其形态。一篇新闻故事从具体事实到背景，再到承载声音的引语，最后到后果。当一篇文章由机器起草并经过轻微编辑时，这种形态存在但空洞。
最可靠的迹象：
- 消息来源从不具体。 “专家说”没有姓名，“研究表明”没有期刊，“官员证实”没有指明是哪些官员。人类记者在截稿压力下仍会点名，因为匿名消息源的价值较低。
- 引语读起来像转述。 真实的引语会有犹豫、奇怪的语序、题外话。机器起草的引语干净、平衡，且可疑地适合引用。
- 段落对称。 每个段落长度大致相同，并且只涵盖一个观点。真实的文稿是参差不齐的：在密集段落之后出现一行段落。
- 没有可能出错的数字。 经过报道的文章包含记者必须找到并核实的数字。模糊的数量语言（“许多”、“越来越多”）在应该充满具体细节的报道中是一个破绽。
- 没有电头场景。 没有街道，没有天气，没有一天中的时间。没有人在场。
- 不相关事实之间的平滑过渡。 文章把事物连接起来，是因为句子需要一个连接词，而不是因为报道发现了联系。
对一篇你知道是由人报道的文章运行同样的六项检查，你会看到其中适用的少之又少。这种对比就是方法。
为什么署名和消息来源比任何分数都更重要
署名是一种声明。它表明一个具名的人完成了这项工作，能够为事实负责，并且如果出错会更正记录。消息来源是这一声明背后的证据。二者共同构成了新闻文章中唯一真正可以审计的内容。
检测器分数无法以同样的方式审计。它是由模型将你的文本与其见过的模式进行比较后产生的概率估计。它不知道是谁写了这篇文章，引语是否真实，或者记者是否花了三天时间打电话。两个工具可以阅读同一段落并得出不同结论，这就是为什么我们把分歧视为正常，而不是丑闻。
这也是为什么“AI 生成新闻文章检测”这个说法略有误导性。检测并不检测作者身份。它检测的是模式。一篇根据新闻稿改写的通讯社报道，即使没有任何模型参与，也可能读起来像机器般平滑。一段机器起草的段落，如果插入了一句真实引语，也可能读起来像人写的。
所以编辑要问的不是“检测器说了什么？”，而是“这个署名能否为这句话负责？”
在争论分数之前，先看看工具标出的句子，并核查它们背后的来源。我们的 AI 检测器 会对整篇文档评分，并按 AI 概率标记每个句子，这样你就能看出哪些行带有信号——这有助于决定该向记者问什么，而不是判定有罪。
检测器的局限在实践中是什么样子
我们在 2026-09-19 用自研检测器对两个语料库进行了测试（本地集成，lite 层级，30% 标记阈值）。46 篇人工撰写的 DeAIze 指南样本平均得分为 27% AI，中位数 25%，范围 0-55%，其中 46 篇中有 17 篇在该阈值下被标记。未经编辑的模型输出（n = 12 段，固定提示，无编辑）平均得分为 35%。
重叠才是关键。手写指南最高达到 55%。未经编辑的机器输出最低只有 25%。你选择的任何阈值都会在两个方向上误判。这是我们在自己的材料上使用自己的工具，不是第三方裁决，但这仍然足以说明为什么单个标记不能成为指控的依据。
再加上语言问题：非英语母语写作者、译者以及任何以压缩语体写作的人更容易被标记，因为检测器依赖的信号与非母语者谨慎写作的风格重叠。如果你的新闻编辑室发布翻译稿件，在围绕分数建立任何流程之前，请阅读为什么 AI 检测器会标记非英语母语写作者。
新闻编辑室应如何提出怀疑？
安静地、以书面形式，并从一开始就让记者在场。处理不当的怀疑会让你失去一位自由撰稿人、惹上官司，或两者兼有。
一个可行的顺序：
- 指出具体问题。 不是“这读起来像AI”，而是“第四段引用了一个我们找不到的消息来源”或“第二处引文与新闻稿中的一句话重复”。
- 向记者索要报道记录。 笔记、录音、电子邮件往来、每个消息来源的姓名和电话号码。这是正常要求。记者会保留笔记。
- 核查可核查的部分。 具名消息来源是否真实且可联系？引文是否与录音相符？统计数据是否存在于链接的报告中？
- 然后才查看模式信号。 运行检测器只是若干输入之一，其输出应记录为带有工具和日期的分数，而非作为发现。
- 基于事实而非感觉做决定。 如果消息来源经得起检验，文章就发表。如果经不起，你就有准确性问题，这比AI问题古老得多，也更容易理解。
- 写下结果。 无论你决定什么，都记录下来，这样下一位编辑就不必从头开始。
要避免两件事。不要拿着检测器截图、不带任何问题地去质问投稿人；这读起来像指控，只会得到防御性的回答。也不要把检测器当作发表前的关卡，对所有人的稿件都跑一遍，因为你会花一整周时间追查最佳作者身上的误报。
关于此工作流程的更广泛版本，请参阅面向出版商的AI检测器：分诊，而非裁决。
AI辅助新闻的披露规范
披露规范尚不完善。没有一条规则能覆盖所有新闻编辑室，现有的指导方针也往往较为笼统。大多数已发布的政策都趋同于一个区分：辅助与创作。
| AI的使用 | 常见披露立场 | 原因 |
|---|---|---|
| 转录、翻译草稿、标题变体 | 通常无需声明 | 报道和判断仍由人类完成 |
| 研究总结、背景阅读 | 通常无需声明，但保留记录 | 你仍然核实了每一个事实 |
| 根据你自己的报道起草正文 | 当草稿实质性影响已发布文本时需披露 | 读者读到的是机器塑造的文字 |
| 生成引语或消息来源 | 绝不可接受 | 无论使用何种工具，均属捏造 |
| 在报道中使用生成的图像或音频 | 明确标注 | 该制品并非任何事物的记录 |
可辩护的规则很简单：如果读者得知文本的产生方式后会感到被误导，那就说明。如果该工具帮助你更快地从自己的笔记中发稿，那更接近于使用拼写检查。我们的AI内容披露标签指南涵盖了这两种情况的措辞。
还有一点值得直说。新闻文章中的观点、引语、事实和结论必须是记者自己的作品。没有任何工具能改变这一点，也没有任何改写能修复捏造的消息来源。
检测在编辑流程中的实际定位
检测在三个狭窄的领域有用，但在一个大的领域无用。
有用：对大量自由投稿进行分诊，因为你无法仔细阅读所有内容。有用：在已经提出具体事实问题后，作为第二意见。有用：作为作家自我检查，想知道自己的哪些句子读起来平淡。对于最后一种情况，句子级高亮是唯一有帮助的版本，因为它指向句子而不是人。
无用：作为裁决。如果你不会因为拼写检查的分歧而解雇某人，就不要因为检测器分数而解雇他们。
如果你的问题不是怀疑，而是自己草稿中的平淡文笔，那么解决办法是编辑性的，而不是对抗性的。最重要的标志根本不是分数——而是一个没有具体内容的段落。我们关于AI写作迹象的指南介绍了编辑首先注意到什么，而草稿编辑器旨在仅重写被标记的句子，以便你的其余文案保持原样。
一个实例
仅用于说明——为本文虚构，并非真实故事。
之前：
地方官员强调了社区参与在应对基础设施挑战中的重要性。专家指出，持续投资对于长期韧性至关重要，利益相关者继续呼吁协作解决方案。
每个句子都语法正确、结构均衡，却空洞无物。没有名字，没有数字，没有地点，没有事件。这样写上三段，读者什么也学不到。
之后：
周二，市议会第三次推迟桥梁维修，理由是道路预算出现缺口。公共工程主管埃琳娜·马什表示，这一延迟将使工期大约延长一个季节。在会上发言的居民质问，为什么这笔钱被用到了绕城公路上。
同样的长度。现在有了日期、一项决定、一个具名的人、一个后果和一个问题。第二个版本在文风上毫无花哨之处。它只是如实报道。
这就是对任何你怀疑的稿件要做的测试。不是“这听起来像模型写的吗？”，而是“这可能是由不在现场的人写的吗？”
当署名本身就是问题时该怎么办
有时怀疑的对象不是某个段落，而是某位投稿人一个下午就交了四篇稿子，或者某位特约记者引用的内容总是与其消息来源的公开声明对不上。
把它当作投稿人的问题来处理，而不是文本的问题：
- 查看同一署名最近的三篇稿件。跨稿件的模式比任何单篇文章都更有参考价值。
- 先从最早的那篇稿件开始索要消息来源。这样不那么敏感，也能确认线索是否真的存在。
- 让对话围绕事实展开。“我联系不上这个消息来源”是事实。“这读起来像是生成的”是观点。
- 如果线索缺失，你就面临合同和准确性问题。在那里处理它。
直接跳到指责的编辑通常会失去投稿人，而且什么也学不到。先索要记录的编辑要么拿到记录，要么得到答案。
准备好看看哪些句子读起来像机器写的了吗？
如果你现在正在编辑一篇文章，想要一个针对句子而非针对人的第二意见，请从 AI 检测器 开始。它会为整篇文档评分，并按 AI 概率高亮每个句子，这样你就能决定要针对哪些内容提问。如果被标记的句子是你自己写的，而问题出在风格上，草稿编辑器 只会重写这些句子，并且只有在意思保持不变时才保留改写。当你准备在真实投稿上运行时，定价 采用按量付费，积分永不过期，你还可以注册获得 200 个免费词，无需信用卡。如果你想知道这些分数在编辑讨论中究竟意味着什么，请先阅读方法论页面。