谁写的？零样本长文本生成文本检测的关键是 GECScore
内容提要
本研究探讨了自然语言生成与零样本机器生成文本检测的关系，提出了基于贝叶斯模型和条件概率的多种新型检测方法。结果表明，中等规模语言模型的检测器在零样本推广中表现良好，并在多种代码和文本分类场景中展现出较高的准确性和鲁棒性。
延伸解读
零样本检测的泛化能力
文章指出，中等规模语言模型训练的检测器能够零样本推广到更大版本，这意味着无需针对每个新模型重新训练检测器，降低了部署成本。但泛化能力可能受模型家族和训练数据分布影响，实际应用中需验证跨模型效果。
代码检测的特殊挑战与进展
由于代码具有独特的统计特性，传统文本检测方法对代码效果不佳。研究通过修改零样本文本检测方法，利用代理白盒模型估计最右侧标记概率，在Python代码上对多个GPT模型取得最新结果，且对修订攻击鲁棒，并泛化到Java。
检测效率与准确性的权衡
Fast-DetectGPT将检测过程加速340倍，基于贝叶斯代理模型的方法在低查询预算下比DetectGPT查询次数减少最多2倍，AUROC提高3.7%。这些优化使零样本检测更实用，但需注意不同方法在误报率和弹性上的差异。
实际部署中的检测器选择
评估显示，CopyLeaks在准确性上最佳，GPTKit在减少假阳性上最佳，GLTR在弹性上最佳。选择检测器时需根据应用场景权衡这些指标，例如高误报率可能影响用户体验，而低弹性可能易被规避。
Q&A
零样本机器生成文本检测的关键技术是什么？
关键技术包括基于贝叶斯模型和条件概率的检测方法，以及中等规模语言模型的检测器。
中等规模语言模型的检测器在零样本推广中表现如何？
中等规模语言模型训练的检测器在零样本推广中表现良好，具有较高的准确性和鲁棒性。
Fast-DetectGPT检测器的优势是什么？
Fast-DetectGPT在多个数据集和测试条件下表现出色，检测过程加速了340倍。
Binoculars检测器的创新之处在哪里？
Binoculars检测器在不需要任何训练数据的情况下实现了高准确性，能够有效检测机器生成的文本。
CopyLeaks检测器的表现如何？
CopyLeaks被评估为最准确的大型语言模型生成文本检测器。
DetectGPT检测器的主要功能是什么？
DetectGPT能够更好地检测假新闻文章，并不需要训练分类器或收集数据集。
