Turnitin peut-il détecter Claude, Gemini et DeepSeek ?

Par exemple, un étudiant choisit DeepSeek plutôt que ChatGPT pour un premier jet, surtout parce qu’un fil de discussion sur un forum affirmait que Turnitin ne reconnaît que les modèles d’OpenAI. Turnitin peut-il détecter DeepSeek de la même manière qu’il détecte ChatGPT ? Mais attention, le classificateur n’a pas été conçu pour reconnaître une marque dès le départ. La propre description de sa technologie par Turnitin indique que le classificateur n’a jamais été conçu pour reconnaître une marque dès le départ, ce qui modifie la question bien plus que la plupart des étudiants ne l’imaginent.

L’indicateur de rédaction par IA est entraîné sur des schémas de prose générée par machine, sur la prévisibilité des mots et sur le rythme des phrases, le même terrain statistique que celui couvert de manière générale par le compte rendu du site sur le fonctionnement des détecteurs d’IA. Un modèle entraîné de cette façon réagit à la manière dont un passage se lit, et non à l’entreprise dont les serveurs l’ont produit. Cette distinction constitue l’essentiel de la réponse à la question de savoir si le fait de changer de chatbot permet d’échapper à la détection.

Le guide de TextPulse sur la capacité de Turnitin à détecter ChatGPT couvre en détail les mécanismes de ce rapport particulier, ce que mesure le pourcentage, qui le voit, et le degré de précision que les propres tests de Turnitin lui attribuent. Cet article se concentre sur une question récurrente au sein de cette question plus large, à savoir si le choix d’un autre chatbot change quoi que ce soit.

Turnitin peut-il détecter DeepSeek ? Le point d’agnosticisme du modèle

Les propres documents de Turnitin encadrent la détection autour de la manière dont un passage se lit, et non autour de l’entreprise qui l’a produit. Ce cadrage constitue l’entière base de la question de savoir si DeepSeek est traité différemment de ChatGPT, Claude ou Gemini au sein du même système.

Pourquoi les modèles ajustés par instruction convergent vers la même forme statistique

Chaque grand chatbot publié depuis 2023 est construit de la même manière générale, d’abord entraîné à prédire le mot suivant à partir d’une immense quantité de texte, puis affiné pour transformer ce moteur brut de prédiction en un assistant fluide et coopératif qui répond directement à une consigne. C’est à cette deuxième étape que se produit la convergence.

Le résultat est que GPT, Claude, Gemini, DeepSeek et la plupart des autres assistants ajustés par instruction ont tendance à produire une prose située dans un territoire statistique similaire, avec des choix de mots constamment prévisibles et un rythme de phrase régulier. Un classificateur entraîné à reconnaître cette signature de faible perplexité et de faible burstiness dans la sortie d’un modèle réagit, par construction, à quelque chose que plusieurs autres modèles produisent aussi, que l’un d’eux ait ou non fait partie de ses données d’entraînement initiales.

Ce que Turnitin dit réellement à propos de la couverture des modèles

Turnitin indique explicitement qu’il s’agit d’un choix de conception délibéré, et non d’un accident de test. Son modèle original de détection de l’écriture par IA a été entraîné sur GPT-3, GPT-3.5 et leurs variantes, et la documentation de Turnitin affirme clairement : 'Our technology can also detect other AI writing tools that are based on these models, such as ChatGPT.' Il s’agit d’une affirmation du fournisseur sur la manière dont son classificateur généralise, et non d’un résultat testé indépendamment, et il convient de la lire exactement ainsi.

DeepSeek n’apparaît pas dans cette liste. La liste publiée par Turnitin des modèles qu’il a ajoutés depuis est vaste. À la date de rédaction du présent texte, elle comprend des modèles des familles GPT-4 et GPT-5, les lignes Pro et Flash de Gemini, y compris leurs versions de prévisualisation les plus récentes, Claude Sonnet-4.5, et LLaMA.

Modèle	Ce que dit la propre couverture publiée de Turnitin
ChatGPT (GPT-3.5, GPT-4, GPT-4o, série GPT-5)	Nommé explicitement, l'ensemble d'entraînement original et ses successeurs directs
Claude (Sonnet 4.5)	Nommé explicitement dans la liste publiée actuelle de Turnitin
Gemini (Pro, 2.5 Pro, 2.5 Flash, aperçus de la série 3)	Nommé explicitement dans la liste publiée actuelle de Turnitin
LLaMA	Nommé explicitement dans la liste publiée actuelle de Turnitin
DeepSeek	Non nommé dans la liste publiée de Turnitin en août 2026. Turnitin n'indique pas que DeepSeek est exclu, seulement qu'il n'apparaît pas par son nom
Tout autre chatbot construit sur un modèle répertorié	Turnitin indique que sa technologie détecte aussi les outils fondés sur les modèles qu'il nomme

Ce que Turnitin ne publie pas

Ce qui manque dans les propres documents de Turnitin compte autant que ce qui s'y trouve. Turnitin ne publie pas de chiffre de précision distinct pour chacun des modèles qu'il nomme, ni de taux de détection par modèle pour GPT-4, Gemini ou Claude. Plusieurs sites rapportent un pourcentage précis pour la détection de DeepSeek sans source visible ni méthode derrière ce chiffre.

Il vaut mieux prendre cette lacune au pied de la lettre plutôt que de la combler. Personne en dehors de Turnitin n'a publié de test indépendant et méthodologiquement transparent de son indicateur de rédaction par IA, ventilé par modèle source, DeepSeek compris, donc tout chiffre précis associé au taux de détection d'un modèle doit être considéré comme non vérifié tant qu'une source primaire ne l'énonce pas effectivement.

Construire une comparaison équitable impliquerait de recueillir un échantillon important et actuel d’écrits de chaque modèle, de confirmer qu’aucun n’a fuité dans les propres données d’entraînement de Turnitin, puis de tout faire passer par le même détecteur, dans les mêmes conditions et au même moment. Les fournisseurs mettent à jour leurs modèles tous les quelques mois, si bien qu’une comparaison publiée il y a même un an peut déjà décrire des chatbots qui n’existent plus sous la forme testée. C’est une véritable exigence méthodologique, pas une excuse, et c’est pourquoi cet article rapporte ce que Turnitin dit de sa propre couverture plutôt qu’un ensemble de pourcentages de détection que personne n’a réellement mesurés.

Le fait de changer de chatbot aide-t-il réellement ?

Pas au vu des éléments publiés par Turnitin lui-même. Un classificateur conçu pour réagir à un schéma statistique plutôt qu’à un nom de marque n’a aucune raison évidente de traiter la sortie fluide et prévisible de DeepSeek différemment de celle de ChatGPT, et le propre langage de Turnitin sur la détection d’outils « based on these models » va dans le même sens. Choisir un chatbot non nommé en supposant que son absence d’une liste signifie l’immunité relève d’une hypothèse déguisée en stratégie.

Pour l’aspect pratique des travaux universitaires, humaniser un essai IA pour l’université est présenté séparément. Les candidats sont confrontés à une autre version de la même inquiétude, et savoir si les admissions universitaires vérifient l’IA dispose de sa propre page.

Le choix le plus fiable se situe moins du côté du chatbot qui a produit un premier jet que de ce qui lui arrive ensuite. Un vérificateur gratuit de burstiness montre la même platitude du rythme des phrases à laquelle réagit un classificateur, quel que soit le nom du modèle figurant en haut de la fenêtre de discussion d’où il provient. L’humanizer IA de TextPulse pour les étudiants agit sur cette même couche statistique, en reconstruisant le rythme et la structure des phrases plutôt qu’en pariant sur une lacune dans la liste publiée par un fournisseur. Le chatbot qui a rédigé le premier jet compte bien moins que le fait de savoir si la version que vous soumettez se lit réellement comme si vous l’aviez écrite.