近日，OpenAI發(fā)布新一代人工智能模型GPT-5，再次引發(fā)全球關(guān)注。隨著DeepSeek、ChatGPT、通義千問、豆包等AIGC國產(chǎn)大模型逐漸變成人們學習、工作中的“生產(chǎn)力工具”，其伴生問題也日益凸顯：AI經(jīng)常會“一本正經(jīng)地胡說八道”，生成看似合理的虛假信息，即“AI幻覺”；依賴AI工具代寫作業(yè)甚至畢業(yè)論文，沖擊著學術(shù)誠信和規(guī)范；論文AI率檢測系統(tǒng)有待完善，論文被誤判的問題時有發(fā)生……如何精準識別AI生成內(nèi)容，成為亟待解決的熱點問題。

近日，南開大學計算機學院媒體計算實驗室取得最新研究成果，不僅從評估的角度揭示了現(xiàn)有AI檢測方法的性能不足，還創(chuàng)新性地提出了“直接差異學習”優(yōu)化策略，教會AI用“火眼金睛”辨別人機不同，實現(xiàn)AI檢測性能的突破。相關(guān)成果論文已被計算機多媒體領(lǐng)域國際頂級會議ACM MM2025接收。

目前AI生成內(nèi)容檢測主要有兩種路線：一種是“基于訓練的檢測方法”，使用特定數(shù)據(jù)訓練一個專用的分類模型；另一種是“零樣本檢測方法”，直接使用一個預訓練的語言模型并設(shè)計某種標準進行分類。

多項研究表明，現(xiàn)有檢測方法在應對復雜的現(xiàn)實場景時常顯不足。此前曾有媒體報道，《荷塘月色》《流浪地球》等作品被某常用論文AI率檢測系統(tǒng)檢出高AI率。

為何現(xiàn)有的AI檢測工具會“誤判”？論文第一作者、南開大學計算機學院計算機科學卓越班2023級本科生付嘉晨解釋：“如果把AI文本檢測比作一場考試，檢測器的訓練數(shù)據(jù)等同于日常練習題，現(xiàn)有檢測方法是機械刷題、死記硬背答題的固定套路，難以學會答題邏輯，一旦遇到全新難題，準確率就會顯著下降。”

“要想實現(xiàn)通用檢測，理論上需收集所有大模型的數(shù)據(jù)進行訓練，但在大模型迭代飛速的今天幾乎不可能。”付嘉晨說，讓檢測器真正學會舉一反三，即提升檢測器的泛化性能，是提升AI文本檢測性能的關(guān)鍵。

為此，研究團隊另辟蹊徑，通過直接優(yōu)化模型預測的文本條件概率差異與人為設(shè)定的目標值之間的差距，幫助模型學習AI文本檢測的內(nèi)在知識，可以精準捕捉人機文本間的深層語義差異，從而大幅提升檢測器的泛化能力與魯棒性。

“我們的檢測器如同有了‘火眼金睛’，即便只‘學習’過DeepSeek-R1的文本，也能精準識別像GPT-5這樣最新大模型生成的內(nèi)容。”付嘉晨說。

團隊還提出了一個全面的測試基準數(shù)據(jù)集MIRAGE，使用13種主流的商用大模型(如豆包、DeepSeek、Kimi等)以及4種先進的開源大模型(如Qwen等)，從AI生成、潤色、重寫三個角度構(gòu)造了接近10萬條人類-AI文本對。

“MIRAGE是目前唯一聚焦于對商用大語言模型檢測的基準數(shù)據(jù)集。直觀地說，之前的基準數(shù)據(jù)集是由少而且能力簡單的大模型命題出卷，而MIRAGE是17個能力強大的大模型聯(lián)合命題，形成一套高難度又有代表性的檢測試卷。”論文通訊作者、南開大學計算機學院副教授郭春樂說。

MIRAGE的測試結(jié)果顯示，現(xiàn)有檢測器的準確率從在簡單數(shù)據(jù)集上的90%驟降至約60%；而使用團隊的檢測器仍保持85%以上的準確率。與斯坦福大學提出的DetectGPT相比，性能相對提升71.62%；與馬里蘭大學、卡內(nèi)基梅隆大學等共同提出的Binoculars方法相比，性能相對提升68.03%。

“AIGC發(fā)展日新月異，我們將持續(xù)迭代升級評估基準和技術(shù)，致力于實現(xiàn)更快、更準、更低成本的AI生成文本檢測，以AI之力，讓每一篇成果更出彩。”研究團隊負責人、南開大學計算機學院教授李重儀說。

關(guān)鍵詞：