GPTZero چگونه کار میکند
GPTZero perplexity و burstiness را مشهور کرد، سپس هر دو را بیسروصدا کنار گذاشت. در اینجا میبینید طبقهبند آن اکنون چه چیزی را میسنجد، یک گزارش واقعاً چه چیزی را نشان میدهد، و خود ابزار محدودیتهایش را کجا بیان میکند.
عبارت "how gptzero works" را در یک نوار جستجو وارد کنید و بیشتر آنچه بازمیگردد هنوز perplexity و burstiness را توصیف میکند، دو آماری که بنیانگذار خود آن را در هفتههای نخست پس از انتشار ChatGPT مشهور کرد. این توصیف در ژانویه 2023 دقیق بود. از پاییز همان سال دیگر دقیق نبوده است، زمانی که مستندات خود GPTZero میگوید شرکت آن روش را با چیزی کاملا متفاوت جایگزین کرد. فاصله میان آنچه این ابزار در زمان عرضه انجام میداد و آنچه اکنون انجام میدهد آنقدر زیاد است که بیشتر توضیحهایی که هنوز امروز در گردشاند، محصولی را توصیف میکنند که دیگر وجود ندارد.
امروز، GPTZero به جای یک محاسبه perplexity، یک طبقهبند جمله به جمله را بر روی یک پیکره بزرگ و مختلط از متنهای تولیدشده توسط انسان و متنهای تولیدشده توسط AI اجرا میکند. GPTZero امروز همچنان یک عدد اصلی واحد ارائه میدهد، اما محاسبه متفاوت است. برجستهسازی در سطح جمله زیر آن عدد اصلی نیز معنایی متفاوت از سال 2023 دارد. هر دو نسخه این روایت ارزش دانستن دارند, یکی که این اصطلاحات را مشهور کرد، و دیگری که واقعا امروز اجرا میشود.
تاریخچه: چگونه perplexity و burstiness GPTZero را مشهور کردند
در 2 ژانویه 2023، ادوارد تیان، که آن زمان دانشجوی Princeton بود، یک نسخه نمایشی عمومی از GPTZero منتشر کرد، تنها چند هفته پس از آنکه ChatGPT عرضه شد. صفحه توضیحی اولیه او شرح میدهد که چگونه از دو آماری وامگرفته از مدلسازی زبان برای تشخیص اینکه یک مدل زبان چیزی را نوشته است استفاده کرد. perplexity نمرهای برای این است که یک مدل مرجع تا چه اندازه از انتخاب واژهها در متن شگفتزده شده است. burstiness نامی است که GPTZero برای میزان نوسان آن شگفتزدگی در سراسر یک سند به کار میبرد. همین صفحات توضیحی دلیل آن هستند که هر دو واژه اصلا وارد گفتوگوی روزمره درباره نوشتار AI شدند. بیشتر افرادی که امروز میتوانند perplexity یا burstiness را تعریف کنند، این اصطلاحات را از GPTZero آموختهاند، نه از یک کتاب درسی.
خودِ سازوکار، بهسادگی قابل توصیف بود. یک passage را از میان یک مدل زبانی مرجع عبور دهید، و نثری که مدل آن را بسیار قابل پیشبینی و با perplexity پایین مییابد، بهصورت ماشینگونه خوانده میشود، زیرا تولید متن معمولاً واژه بعدیِ محتمل را بر واژه شگفتانگیز ترجیح میدهد. حتی مستندات بازنشسته GPTZero نیز زمانی یک قاعده سرانگشتی منتشر کرده بود: نمره perplexity بالاتر از 85 بیشتر بهعنوان متن انسانی تا ماشینی خوانده میشد. آن آستانه از یک فروشنده، بر یک مدل، در یک مقطع زمانی خاص آمده بود، و خود GPTZero دیگر از آن پشتیبانی نمیکند.
GPTZero اکنون چگونه کار میکند: یک طبقهبند در سطح جمله
مرکز پشتیبانی GPTZero صریحاً بیان میکند که این شرکت از پاییز 2023، پس از مهاجرت به یک معماری یادگیری عمیق، استفاده از perplexity و burstiness را برای تشخیص متوقف کرده است. صفحه فناوری کنونی آن، که برای این مطلب بررسی شد، این تغییر را بهطور کامل تأیید میکند: این صفحه یک رویکرد یادگیری عمیق سرتاسری را توصیف میکند که بر متنهای وب، آموزش و مجموعهای از مدلهای زبانی آموزش دیده است و یک مدل طبقهبندی جملهبهجمله را اجرا میکند که یک احتمال و یک نمره اطمینان خروجی میدهد. perplexity و burstiness در هیچ جای آن صفحه دیده نمیشوند.
از آن زمان، این سامانه یک لایه دفاعی نیز افزوده است، Paraphraser Shield، که برای شناسایی متن AI طراحی شده است که از یک ابزار بازنویسی عبور داده شده تا از تشخیص بگریزد. میتوانید متن را جایگذاری کنید، اسناد Word، PDF و فایلهای تصویری را بارگذاری کنید، و تا پنجاه فایل را همزمان ارسال کنید. هیچیک از این زیرساختها هیچ ارتباطی با شمارش این ندارد که یک مدل مرجع چند بار همان واژه را حدس میزد.
مقاله خود را انسانیسازی کنید
متنِ کمکگرفته از AI خود را دگرگون کنید و کاری کنید طبیعی به نظر برسد، بدون دست زدن به واژههای مهم یا ارجاعها.
یک گزارش GPTZero در عمل چه چیزی را به شما نشان میدهد
یک نتیجه GPTZero سه بخش دارد: طبقهبندی بهصورت AI، انسانی یا ترکیبی، درصدی که احتمال مدل را مبنی بر اینکه سند بهوسیله AI نوشته شده است بیان میکند، و برچسب اطمینانی که میزان قابل اعتماد بودن آن پیشبینی خاص را توصیف میکند. این برچسب مهمتر از آن چیزی است که به نظر میرسد. GPTZero «بسیار مطمئن» را به نرخ خطای کمتر از 2 درصد و «اطمینان پایین» را به نرخ خطای 14 درصد یا بیشتر پیوند میدهد، دامنهای بهاندازه کافی گسترده که همان درصد تیترگونه میتواند از یک گزارش تا گزارش بعدی وزن بسیار متفاوتی داشته باشد.
اسکنهای پولی، برجستهسازی در سطح جمله را اضافه میکنند، و خواندن آن بهدرستی اهمیت دارد. GPTZero جملات برجستهشده را بهعنوان جملاتی توصیف میکند که بهطور نامتناسب بر نمره کلی اثر میگذارند، نه فهرستی از اتهامها علیه خطوط منفرد. ممکن است جملهای برجسته نشود و با این حال در شکلگیری نتیجه نقش داشته باشد، زیرا طبقهبند سند را بهعنوان یک کل میخواند، نه اینکه جملهبهجمله رأی بدهد.
| Report element | What it tells you |
|---|---|
| Classification | یک برچسب واحد: AI، انسانی، یا ترکیبی |
| AI probability score | درصدی که نشان میدهد مدل تا چه اندازه سند را AI-نوشته ارزیابی میکند |
| Confidence label | از اطمینان بسیار بالا، با نرخ خطای زیر 2 درصد، تا اطمینان پایین، 14 درصد یا بیشتر، متغیر است |
| Sentence highlighting | جملاتی را که در Advanced Scan بیشترین سهم را در نمره دارند مشخص میکند، نه هر جملهای را که به آن مرتبط است |
هیچیک از این عناصر گزارش، زمانی که توضیحدهنده perplexity-and-burstiness هنوز توصیف عمومی GPTZero از خود بود، در شکل کنونی خود وجود نداشتند. رابط کاربری همزمان با روش تغییر کرد.
چرا توصیف Perplexity و Burstiness هنوز در گردش است
توضیحدهنده اولیه GPTZero هنوز آنلاین است، هنوز فهرستگذاری میشود، و هنوز یکی از روشنترین توصیفهای کلی از این است که perplexity و burstiness بهعنوان مفاهیم چگونه عمل میکنند. موتورهای جستوجو و دیگر سایتها همچنان به آن استناد میکنند، و برخی به یک مرور گستردهمنتشرشده در 2026 اشاره میکنند که ادعا میکند این ابزار هنوز یک لایه perplexity و burstiness را بهطور خاموش در کنار طبقهبند خود اجرا میکند. صفحات کنونی خود GPTZero، یعنی صفحه فناوری و هر دو مقاله پشتیبانی، خلاف این را میگویند: این اصطلاحات بازنشسته شدهاند، نه اینکه صرفاً پشت صحنه پنهان شده باشند. صفحهای که یک مفهوم را بهصورت انتزاعی توصیف میکند، با صفحهای که روش کنونی این ابزار را توصیف میکند یکسان نیست، و برخورد با این دو بهعنوان چیزهای قابلجایگزینی، تا حد زیادی دلیل آن است که این سردرگمی سه سال پس از تاریخ انقضایش ادامه یافته است.
این موضوع فراتر از یک امر جزئی اهمیت دارد. به دانشجو یا همکار گفته میشود که برای غلبه بر GPTZero، perplexity را پایین بیاورد یا طول جملهها را پخش کند، در واقع به او توصیهای داده میشود که برای نسخهای از محصول طراحی شده است که در 2023 از کار افتاد. آنچه یک طبقهبند جمله را به حرکت درمیآورد، پرسشی مرتبط اما متفاوت است، و به توضیح کلیترِ اینکه AI detectors در عمل چگونه کار میکنند نزدیکتر است تا به هر یک از این دو شاخص به تنهایی. GPTZero این شاخصها را متوقف نکرده است، بر اساس توضیح خود آن، اینها در میان 7 نشانگر قرار دارند که مدل کنونی را تغذیه میکنند، اما دیگر چیزی نیستند که پاسخ را تعیین کنند.
GPTZero چه چیزی را میگوید که نمیتواند انجام دهد
اعداد دقتی که GPTZero اعلام کرده است، تقریباً به همان اندازهای قوی هستند که یک فروشنده احتمالاً درباره محصول خود منتشر میکند: 96.5 درصد دقت روی اسناد ترکیبی، نرخ کلی false-positive که شرکت آن را در 1 درصد سقفگذاری کرده است، و 1.1 درصد به طور مشخص روی TOEFL essays، که جانشینی رایج برای نوشتار انگلیسیِ غیربومی است. این اعداد از ارزیابی خود GPTZero به دست آمدهاند، و در صفحهای که آنها را گزارش میکند، هیچ بازتولید مستقلی ذکر نشده است.
صفحه محدودیتهای خود GPTZero از اعداد بازاریابی دقیقتر است. شرکت بیان میکند که با ارسال متن بیشتر، دقت بهتر میشود و در سطح جمله و پاراگراف، در مقایسه با کل سند، کاهش مییابد. همچنین بیان میکند که دادههای آموزشی آن عمدتاً نثر انگلیسیِ بزرگسالان است، بنابراین متنی که از آن الگو فاصله بگیرد، سختتر و با اطمینان کمتر طبقهبندی میشود. شرکت بیان میکند که این طبقهبند برای شناسایی متن AI که پس از تولید، بهطور گسترده دستکاری شده باشد آموزش ندیده است. و به صراحت بیان میکند که دیگر انواع نوشتار تولیدشده توسط ماشین یا نوشتار بسیار رویهای، نه فقط خروجی chatbot، میتوانند به همان شیوه علامتگذاری شوند.
هیچیک از اینها دلیلی نیست که عدد GPTZero را فراتر از پرسشپذیری بدانیم، و این تنها آشکارساز نیست که ارزش فهمیدن بر اساس منطق خودش را دارد. خوانندگانی که کنجکاوند یک طبقهبند از این نوع در عمل به چه چیزی پاسخ میدهد، میتوانند نسخهای از آن الگو را خودشان با یک free perplexity checker یا یک free burstiness checker ببینند، دو جزء از یک free tools collection کاملتر که لایههای آماری دیگرِ مورد اتکای گزارشی از این دست را پوشش میدهد.
دو آمار اصلی GPTZero هر کدام صفحههای جداگانهای دارند: آنچه perplexity در تشخیص AI میسنجد، و محاسبه احتمال توکن که هر دو عدد را تولید میکند.
ابزاری که حاضر است نقاط کور خود را با چنین دقتی نام ببرد، شایسته اعتماد بیشتری از ابزاری است که ادعا میکند هیچ نقطه کوری ندارد، و درصد توضیحدادهنشده بعدی در یک گزارش، جای خوبی برای آغاز این پرسش است که چه نوع ابزاری آن را تولید کرده است.
سؤالات متداول
خیر. مرکز پشتیبانی GPTZero بیان میکند که شرکت از پاییز 2023 استفاده از perplexity و burstiness را برای تشخیص متوقف کرد، پس از آنکه به یک طبقهبند یادگیری عمیق روی آورد. صفحه فناوری کنونی آن یک مدل طبقهبندی جمله به جمله را توصیف میکند و هیچیک از این دو اصطلاح را ذکر نمیکند. این توصیف همچنان در گردش است، زیرا توضیحدهنده 2023 خود GPTZero هر دو واژه را پیش از تغییر روش، رایج کرد.
PhD in natural language processing, with years spent building NLP applications end to end. Moe works on text analysis: lexical and syntactic structure, and what separates machine-generated prose from human prose statistically. He has been experimenting with computational linguistics since the early days of NLTK, spaCy and WordNet, and still writes most of his tooling in Python.
