修修改改好多次 花了好多钱才降到30左右 AI生成内容检测的核心技术——困惑度（Perplexity）检测： 核心原理1：困惑度检测（上下文续写验证） - 语言模型的本质就是"根据上文预测下一个词"。对于AI自己生成的文本，模型能非常准确地预测后续内容，表现为困惑度极低（续写非常顺畅）。 - 对于人类写的文本，会有很多出人意料的表达、逻辑跳跃和个人风格，模型预测的准确率会大幅下降，表现为困惑度极高。 - 具体实现：截取文本的前半部分，用多个大语言模型（GPT-3.5、LLaMA等）进行续写，计算续写内容与原文后半部分的重合度；重合度越高，AI生成的概率越大。 核心原理2：生成痕迹统计检测 除了困惑度，AI生成检测还会提取文本的统计特征： - token分布特征：AI生成的文本在特定token（如连接词、副词）的使用频率上与人类有显著差异。 - 句子长度分布：AI倾向于生成长度均匀的句子，人类的句子长度波动更大。 - 向量化比对：将全文转换为向量，与已知的AI生成语料库进行相似度比对。 所以其实降 AI 率就是需要“出乎模型意料”，然后大部分ai查重系统都是使用开源模型和分词器去检测的，如果是闭源模型会好很多 #论文降重 #毕业论文 #AI人工智能 #写论文