Még mindig a perplexity és a burstiness alapján működnek az AI detektorok?

Keressen rá arra, hogyan észleli a GPTZero ma az AI által írt szöveget, és a találatok többsége még mindig két statisztikára, a perplexityre és a burstinessre összpontosít, arra a párosra, amely a 2023 januári indulást követő hetekben híressé tette az eszközt. A GPTZero saját támogatási dokumentációja ma már mást mond: 2023 őszén felhagyott mindkettő használatával.

Tehát a burstiness még mindig használatban van az AI detektoroknál? Annál az eszköznél nem, amely az akadémiai körökben közismertté tette ezt a kifejezést. A GPTZero támogatási központja egyértelműen kimondja, hogy már nem használja sem a perplexityt, sem a burstinesst, hanem helyettük mélytanulási architektúrára váltott. A Turnitin, amellyel a legtöbb hallgató ténylegesen találkozik, eleve soha nem tette közzé egyik kifejezést sem a módszere részeként. Ezek a fogalmak nem tűntek el a beszélgetésből. Azokból a termékekből tűntek el, amelyek ténylegesen végzik az észlelést.

Használják még a burstinesst az AI detektorok?

Nem, nem a GPTZero, és nem név szerint. A GPTZero saját támogatási dokumentációja ezt közvetlenül kimondja: "As of autumn 2023, GPTZero no longer uses perplexity and burstiness for its AI detection because we migrated to a deep-learning based architecture." A Turnitin saját útmutatói ismét egy eltérő módszert írnak le, amely egy benyújtott munka részeinek egy betanított osztályozóval történő pontozására épül, és egyik kifejezés sem jelenik meg sehol ebben a dokumentációban sem. Az AI-észlelés első hullámát meghatározó két statisztika nem az, amit a vezető eszközök jelenleg futtatnak. Ez szűkebb állítás annál, mint hogy elvetették őket: a GPTZero saját magyarázata továbbra is hét jelző között tartja számon őket, amelyek a modelljét táplálják. Megszűntek módszerként működni anélkül, hogy megszűntek volna mérőszámnak lenni, és e két állítás közötti különbségen múlik a kérdés lényege.

Mi változott 2023 őszén

A két kifejezés soha nem volt homályos. GPTZero saját korai magyarázata a perplexity fogalmát úgy határozta meg, mint "annak mértékét, hogy egy AI modell mennyire valószínű, hogy pontosan ugyanazt a szóhalmazt választotta volna, mint ami a dokumentumban szerepel", a burstiness fogalmát pedig úgy, mint "annak mértékét, hogy az írásmintázatok és a szöveg perplexity értékei mennyire változnak a teljes dokumentumon belül", vagyis dokumentumszintű statisztikaként, nem egyszerű mondathossz-számlálásként. Mindkét meghatározás továbbra is elérhető a GPTZero oldalán. Ami megváltozott, az az, hogy ezek közül melyiket futtatja ténylegesen az észlelő.

A "Migrated to a deep-learning based architecture" egy konkrét állítás, nem marketingfordulat, és valós, minőségi változást ír le. A perplexity pontszámot közvetlenül egy képlet alapján számítják ki: a szöveget lefuttatják egy referencia nyelvi modellen, átlagolják a log valószínűségeket, majd exponenciálják az eredményt. Ehelyett egy deep-learning osztályozót tanítanak be, amelynek nagyszámú emberi és AI által írt példát mutatnak, amíg saját maga meg nem tanulja azt a jellemzőkombinációt, amely az adott tanítóadatban elválasztja a két halmazt. A második megközelítésben senki nem írja meg kézzel a szabályt. A modell találja meg.

Mindkét nyugdíjazott kifejezést máshol ezen az oldalon teljes magyarázat kíséri: what perplexity actually measures és what burstiness actually measures külön-külön részletesen tárgyalja a saját működését, beleértve az ezek mögötti képleteket is. Ez az írás szűken arra összpontosít, hogy a kettő közül bármelyiket még mindig ténylegesen futtatja-e egy észlelő napjainkban.

Mit dokumentál ténylegesen ma a GPTZero és a Turnitin

A GPTZero jelenlegi technológiai oldala, amely azt írja le, mi kerül a termékbe, azt állítja, hogy az észlelőjük egy "end-to-end deep learning approach", egy "sentence-by-sentence classification model" megoldással, amely valószínűségi kimenetet állít elő egy bizalmi pontszámmal. A perplexity és a burstiness sehol nem jelenik meg ezen az oldalon, sem komponensként, sem örökölt funkcióként, sem lábjegyzetben.

Turnitin dokumentációja eleve soha nem épült egyik kifejezésre sem. Az útmutatók egy több száz szavas darabokra bontott beküldést írnak le, ahol minden egyes darabot egy betanított modell pontoz, majd a darabok pontszámaiból átlagolják azt az egyetlen százalékot, amelyet a jelentés megjelenít. Ez egy szövegszegmenseken működő felügyelt osztályozó, ugyanabba a módszercsaládba tartozik, amelyhez GPTZero is átváltott, nem pedig perplexity-számítás és nem is burstiness-számítás más néven.

A váltás a legkönnyebben egymás mellett látható.

	Mit írtak le a korai magyarázatok (2023)	Mit ír le a jelenlegi dokumentáció
GPTZero	Perplexity és burstiness, egy referencia modellel szemben pontozva	Mondategységenként működő mélytanulási osztályozó, amely valószínűséget és bizalmi pontszámot ad ki
Turnitin	Soha nem publikálták, a kifejezések Turnitin saját anyagaiban egyetlen ponton sem jelennek meg	Néhány száz szavas darabok, amelyeket egy betanított osztályozó pontoz, majd egyetlen százalékba átlagolnak

Miért magyarázzák még mindig a fogalmak az észlelhetőséget

Ez mind nem teszi a perplexityt és a burstiness-t hibássá, csak elavulttá a jelenlegi mechanizmus leírásaként. Mindkét fogalom mindig is valami valósat írt le: Az olyan szöveg, amelyet úgy generálnak, hogy a modell saját, legnagyobb valószínűségű folytatásai felé mintavételeznek, szó szerint általában kiszámíthatóbb, mint az a szöveg, amelyet egy ember a semmiből ír; az egymást követő mondatok között általában kevésbé változatos. Az alapul szolgáló szabályszerűség nem változott attól, hogy egy szolgáltató megváltoztatta az észlelő architektúráját. Az változott meg, hogy az észlelő miként keresi azt.

A betanított osztályozót nem kifejezetten arra kérik, hogy a perplexityt vagy a burstiness-t keresse. Inkább ugyanarra az alapvető különbségtételre tanítják, amely az emberi és a gépi szöveg között van, és amelynek megragadására ezt a két statisztikát tervezték. És rendkívül valószínűtlennek tűnik, hogy egy olyan osztályozó, amelyet e kettő megkülönböztetésére tanítottak, éppen erre a szabályosságra, vagyis a kettő közötti egyik legmegbízhatóbb különbségre ne támaszkodna. Ez arra vonatkozó következtetés, hogy az osztályozó valószínűleg miért működik, nem pedig állítás a közzétett jellemzőlistájáról, és ezt a kettőt külön kell kezelni.

Független kutatások alátámasztják azt az elképzelést, hogy az alapul szolgáló statisztika továbbra is hatékony, még egyetlen gyártó termékén kívül is. A DetectGPT, egy 2023-ban közzétett akadémiai zero-shot módszer, a perplexity közeli rokonát vizsgálja, vagyis azt, hogy egy modell log-valószínűségi függvénye milyen meredeken görbül egy szövegrész körül, és egy benchmarkon 0.95 AUROC értéket ér el, szemben a legjobb korábbi zero-shot alapvonallal elért 0.81 értékkel, mindezt úgy, hogy egyáltalán nem tanít osztályozót címkézett példákon. A központi gondolat, miszerint a gép által generált szöveg statisztikailag elkülönülő tartományban helyezkedik el egy modell saját valószínűségi terében, továbbra is aktív kutatási terület. Egyszerűen nem ezt szállítja a GPTZero a felhasználóknak.

Miért Érti Még Mindig Ennyire Félre Ezt Az Internet Jelentős Része

Az AI felismerés működéséről szóló legtöbb közzétett magyarázatot a GPTZero 2023 januári indulása idején vagy röviddel utána írták, amikor a perplexity és a burstiness volt az egyetlen nyilvános értelmezési keret, amelyet maga a vállalat kínált. Ezek az eredeti magyarázó oldalak ma is elérhetők. A 2023 őszi megszüntetési értesítés egy külön támogatási oldalon található, nem pedig ezekbe beépítve, így annak az írónak, aki az első oldalt elolvasta és abbahagyta a további kutatást, nem lett volna oka tudni, hogy a módszer kevesebb mint egy évvel később megváltozott.

Egy 2026-ban terjedő, harmadik féltől származó detektorértékelés azt állítja, hogy a GPTZero továbbra is a perplexity és a burstiness értéket használja egy rétegként, több másik között, egy nagyobb rendszeren belül. Ez az állítás közvetlenül ellentmond a GPTZero saját aktuális technológiai oldalának és saját támogatási dokumentációjának, és a GPTZero saját webhelyén semmi sem támasztja alá. Egy vállalat saját, forgalomba hozott termékéről szóló leírása továbbra is elsőbbséget élvez egy ugyanarról a termékről szóló, alá nem támasztott harmadik féltől származó állítással szemben, még akkor is, ha a gyártói dokumentáció is lehet hibás. Ez az írás a GPTZero saját oldalait követi, nem pedig azt az értékelést, amely az régebbi történetet ismétli.

Mit jelent ez az Ön írásmódjára nézve

A burstiness köré épített gyakorlati útmutatás nem vált haszontalanná pusztán azért, mert a szó eltűnt a GPTZero saját anyagaiból. A mondathossz tudatos változtatása továbbra is, mechanikusan nézve, annak elkerüléséről szóló érv, hogy ugyanaz a statisztikai egyformaság jelenjen meg, amelyet egy osztályozó nagy valószínűséggel felismerésre tanítanak, bárhogyan is nevezi ezt a jelet belsőleg. Az alapvető tanács túlélte a gyártó architektúraváltását, még ha az azt leíró szókincs nem is.

Ehhez egyik fél szavát sem kell elfogadni, beleértve e bejegyzését sem. A TextPulse ingyenes perplexity ellenőrzője és a tágabb ingyenes eszközgyűjtemény lehetővé teszi, hogy megnézze, hol helyezkedik el saját vázlata egy detektor előtt, bármely generációhoz is tartozzon az, mielőtt az egyáltalán működésbe lépne.

Ha a válasz visszavezeti Önt a saját írásához, a gyakorlati továbblépések a burstiness tudatos növelése és a mondathossz változtatása egy akadémiai bekezdésen belül, ami ugyanaz a feladat, csak a mérőszám említése nélkül.

A mechanizmus, amelyet egy detektor futtat, tovább fog változni, a GPTZero már egyszer meg is változtatta. Ami állandó marad, az a tényleges kérdés, amelyet ezen az oldalon teljes egészében lefed a útmutató arról, hogyan működnek valójában az AI detektorok: vajon az előre jelezhető írás ugyanaz-e, mint a gép által írt szöveg, függetlenül attól, hogy egy adott évben éppen melyik képlet számít divatosnak.