Originality.ai 标记了你的文本。这个分数是一个概率估计，并不能证明你使用了模型——而且可以通过诚实地编辑那些携带信号的句子来降低它。首先，把整篇文档的分数和句子级高亮放在一起看。然后修改被标记的句子，而不是整篇草稿。这就是全部方法，本文其余部分都是细节。
Originality.ai 分数到底意味着什么？
Originality.ai 返回一个百分比，用来估计文本由机器生成的可能性有多大。它不是判决，也不是作者身份的证明。两个工具读取同一段落，结果可能相差甚远，因为每个工具权衡的信号不同——困惑度、突发性、句子节奏，以及下一个词的可预测程度。
Originality.ai 自己的文档将该分数描述为一种预测，并且与我们测试过的所有检测器一样，它既会产生假阳性，也会产生假阴性。在我们于 2026-09-28 进行的测量中，我们以 30% 的标记阈值，将来自 61 份 DeAIze 指南的 709 段参考段落通过我们的检测器运行。之所以选择这些指南，是因为其元数据未将其标记为生成内容。平均 AI 分数为 26%，中位数为 25%，范围从 0 到 69。在这 709 段中，有 239 段达到或超过阈值。人类作者身份未经独立验证，因此这些计数无法确立人类假阳性率。在你因自己作品上的标记而恐慌之前，再读一遍这个数字。
令人不安的部分在于：高分并不意味着你作弊，低分也不意味着你没有。它意味着你文本中的表面模式与模型被训练来识别的模式相似。修正这些模式是一个技艺问题，而不是道德问题。
为什么 Originality.ai 会标记真正属于你的写作？
检测器不读含义，只读形状。一段由均匀、中等长度的句子组成、连接词规整、毫无意外的文字，即使出自人手，看起来也像生成的，因为这种形状正是生成文本通常具有的。
有三件事比其他任何因素都更能推高分数：
- 句子长度均匀。 十个句子每个十八个词，读起来像模板。
- 可预测的过渡词。 “Furthermore”、“Moreover”、“In addition”依次堆叠。
- 空泛的论断，没有具体内容。 没有名字，没有你能辩护的数字，没有只有你才知道的细节。
还有一种结构性偏见值得坦诚指出。非英语母语写作者更常被标记，因为严谨的学术英语——写作课程所教授的那种——刻意追求规整。它看起来正是检测器被设计来捕捉的东西。如果你处于这种情况，解决办法不是把英语写得更差，而是把英语写得更丰富多变。
如果你想在改写任何内容之前，先看看具体哪些行在传递信号，请先把草稿通过 AI 检测器 运行一遍。句子级分数会把一个吓人的数字变成一份简短的修改清单。
对比：每个工具实际能给你什么
这张表是我们的。它描述的是每个工具报告什么、为什么场景而构建，而不是它们有多准确——没有任何检测器会公布一个我们能如实复述的数字。
| 工具 | 报告内容 | 最适合用于 | 注意事项 |
|---|---|---|---|
| Originality.ai | 文档级 AI 概率，外加抄袭检查 | 批量筛选投稿的编辑 | 只有一个分数，没有明显的修改路径 |
| GPTZero | 带句子高亮的文档分数 | 查看哪些句子带有信号 | 句子分数在短文本上可能显得很自信 |
| Copyleaks | 文档和片段级 AI 概率 | 学术和出版商工作流 | 片段边界可能把一个想法尴尬地拆开 |
| Turnitin | 机构报告中的 AI 指标 | 机构，而非个人写作者 | 你通常无法自己看到原始报告 |
| DeAIze | 整篇文档分数加上逐句 AI 概率 | 找到要编辑的句子，然后重新评分 | 和所有这些工具一样，它只是概率估计 |
注意这张表没有包含什么：准确率一列。这是有意为之的。检测器的输出是概率估计，把其中任何一个工具当作通过/不通过的关卡，正是误告发生的原因。
解决办法：编辑被标记的句子，而不是整篇草稿
重写所有内容正是人们毁掉自己声音的方式。被标记的句子通常只占文档的一小部分，而且它们聚集在你最不具体的地方。
1. 给文本评分并列出被标记的句子。 暂时忽略文档分数。写下超过阈值的句子。
2. 对于每个被标记的句子，添加一个只有你知道的细节。 一个日期、一个地点、一个名字、来自你自己数据的一个数字、你观察到的一个结果。具体性是最强的反检测信号，而且无论如何都能改进写作。
3. 打破节奏。 如果连续三个句子都很长，就让其中一个变短。四个词也行。变化才是关键。
4. 删掉你永远不会说出口的过渡词。 “Furthermore”几乎从不会被说出来。“Also”通常会说。
5. 重新评分并比较。 只有在意思保持不变的情况下才保留修改。如果重写改变了你的主张，就把原文放回去再试一次。
这是DeAIze运行的循环：评分，只重写被标记的句子，检查语义相似度以确认意思保持不变，然后重新评分并显示前后对比。在网站上的示例段落中，92%的AI分数变成了4%。在网站自身的运行中，报告的平均降低幅度为60%以上，最佳情况为71%。这些是产品的预测分数，不是来自Originality.ai或其他任何人的官方结论。
一个实例
这是一个示例，并非真实文档。
修改前：“人工智能在现代教育中已变得越来越重要。此外，它为学生和教育工作者带来了诸多益处。而且，各机构必须适应这些变化。”
修改后：“我们系上学期开始使用一款AI批改助手。八名教师中有两人在第一个月后就停止使用了——他们说反馈给每个学生的评语听起来都一样。”
第二个版本包含一个数字、一个时间范围，以及一个可能有人不认同的观点。无需任何检测工具，你也能看出哪一个读起来像是人写的。
何时不宜采用此方法
当编辑并非解决之道时，请对自己坦诚相待。
如果你的机构或客户有禁止使用AI辅助起草的规定，而你仍然使用了模型，那么编辑文本并不能解决这个问题。问题在于披露，而非文笔。先阅读你的政策——我们对什么构成虚假陈述的分析涵盖了大多数政策如何划定这条界线。
如果检测器分数被用作对你不利的证据，不要试图通过编辑来胜过指控。询问是什么工具产生了这个分数、应用了什么阈值，以及原始报告是否可用。没有说明阈值的概率估计不是一项认定。
如果底层的想法、数据或结论不是你的，再多的句子编辑也不能让作品成为你的。人性化处理可以减少你自己写作中的误报，并清理你自己的AI辅助草稿。这就是全部范围。
一个保持低比率的每周例行程序
被标记后再编辑是被动的。这是预防性的版本，花费的时间大致相同。
- 像平常一样起草，无论是否使用AI辅助。
- 大声朗读。每一句听起来像新闻稿的句子都要重写。
- 每个部分添加一个具体细节——一个名字、一个数字、一个日期。
- 在提交前评分，而不是之后。
- 记录你更改了什么，以防有人问起。能够解释自己的编辑是你所能处于的最强立场。
对于这适用的更广泛编辑流程，humanize AI text 指南更深入地讲解了同一循环。
还有一个值得了解的测量结果：在同一次 2026-09-28 运行中，我们的检测器在参考样本中大约每 100 词发现一个 AI 破绽，而这些样本的人类作者身份未经独立验证；在未经编辑的 DeepSeek 模型输出中也是每 100 词一个。破绽并不是区分这两个语料库的因素。变化频率才是。这就是为什么修复之道在于节奏和具体性，而不是同义词替换。
接下来十分钟要做什么
打开被标记的文档。找出得分最高的三个句子。给每个句子添加一个具体、可核查的细节。大声朗读该段落。重新评分。如果分数变化且含义保持不变，你就找到了方法——在文档其余部分重复此方法，当被标记的行消失时就停止，而不是当文档分数降到零时停止。它不会降到零，也不需要降到零。
测量说明：本文中的数字来自我们自己的本地检测器于 2026-09-28 的观察——n = 709 个来自 61 份元数据筛选指南的参考段落，对比 n = 12 个未经编辑的 DeepSeek 模型段落，AI 分数中位数分别为 25% 和 34%。人类作者身份未经独立验证；来自同一指南的段落相互关联，因此这些数字无法确立人类假阳性率。方法：方法论。带日期的证据：语料库观察，2026-09-28。