Новость · США

Исследователи предложили адаптировать ИИ-детекторы к меняющимся текстам

В работе MIT и Cornell тестовая адаптация использует новые неразмеченные примеры, чтобы повысить устойчивость детекторов к замаскированным ИИ-текстам и сдвигам в письме.

tay ·
картинка
Источник: news.mit.edu · Источник изображения ↗

Исследователи MIT и Cornell изучили, почему детекторы текстов, созданных генеративными моделями, со временем ошибаются: меняются языковые модели, стиль людей и способы маскировать машинный текст. В статье «Hitting a Moving Target» авторы проверили тестовую адаптацию — метод, при котором модель после развёртывания подстраивается под новые неразмеченные примеры, не проходя обучение заново.

В эксперименте с текстом, специально изменённым для обхода детектора Pangram, авторы сообщили, что коммерческая система распознала 27% таких примеров, тогда как их подход — 93,3%. Это результат конкретной экспериментальной выборки, а не универсальная точность для всех текстов. Авторы также отмечают, что естественные изменения человеческого письма труднее учитывать и что новые языковые модели могут дополнительно осложнить задачу.

MIT сообщает, что работу представят на NeurIPS 2026. В исследовании использовались кредиты API, предоставленные компанией Pangram для её детектора.

Что пока неизвестно

Цифры относятся к условиям эксперимента авторов и конкретному детектору; они не подтверждают универсальную точность. В публикации MIT указано, что Pangram предоставила исследователям кредиты API.

Источники

  1. MIT News — Helping AI text detectors keep up with changing conditionsИсследование · Первоисточник · 18 ноября 2026 г.
  2. arXiv — Hitting a Moving Target: Test-Time Adaptation for AI Text Detection under Continual Distribution ShiftИсследование · 23 июня 2026 г.
Источник не открывается?

Оригинальная страница может быть временно недоступна. Попробуйте открыть её позже; название и дата источника сохранены выше.

Сохранить · Настроить