该研究综述了大型语言模型（LLMs）在文本生成检测技术方面的现状与未来方向，强调了开源威胁和误传信息问题。提出了评估指标和威胁控制方案，探讨了模型归因与分类器效果的关系，并展示了通过图神经网络提升文本理解能力的实验结果。此外，研究还分析了将科学知识嵌入LLMs的复杂性及其在特征选择中的应用潜力。

该研究综述了大型语言模型（LLMs）在文本生成检测中的现状与未来，强调了开源威胁和误传信息问题。提出通过知识蒸馏技术训练更小、更高效的模型，以提升在资源受限设备上的应用潜力，并探讨模型性能与数据需求的关系。此外，研究评估了LLMs在自然语言推理任务中的表现，并提出混合工作流程以检测科学文本的有效性。