Может ли Turnitin обнаружить Claude, Gemini и DeepSeek?
Классификатор, обученный реагировать на статистический паттерн, не нуждается в том, чтобы видеть конкретный чатбот, чтобы пометить его вывод. Вот почему это важно для DeepSeek, что сам Turnitin публикует о Claude, Gemini и других моделях по названию, и чего он не публикует ни о одной из них.
Например, студент выбирает DeepSeek вместо ChatGPT для черновика, особенно потому, что в одном обсуждении на форуме утверждалось, что Turnitin распознает только модели OpenAI. Может ли Turnitin обнаружить DeepSeek так же, как он обнаруживает ChatGPT? Но подождите: классификатор изначально не был предназначен для распознавания бренда. В собственном описании технологии Turnitin говорится, что классификатор никогда не создавался для распознавания бренда, и это меняет сам вопрос сильнее, чем ожидает большинство студентов.
Индикатор AI writing обучается на закономерностях в машинно-сгенерированной прозе, предсказуемости слов и ритме предложений, на той же статистической основе, которую сайт описывает в своем объяснении того, как в целом работают детекторы AI. Модель, обученная таким образом, реагирует на то, как выглядит фрагмент текста, а не на то, какие серверы какой компании его создали. Это различие и составляет большую часть ответа на вопрос о том, является ли смена чатботов способом обойти обнаружение.
Руководство TextPulse о том, может ли Turnitin обнаружить ChatGPT подробно рассматривает механику этого отчета: что измеряет процент, кто его видит и насколько точным, по собственным испытаниям Turnitin, он является. В этой статье внимание сосредоточено на одном повторяющемся вопросе внутри этого более широкого вопроса: меняет ли что-либо выбор другого чатбота.
Может ли Turnitin обнаружить DeepSeek? Платформонезависимый подход модели
Собственные материалы Turnitin описывают обнаружение через то, как выглядит фрагмент текста, а не через то, какая компания его создала. Именно на этом основании и возникает вопрос, будет ли DeepSeek рассматриваться как-то иначе, чем ChatGPT, Claude или Gemini, в той же системе.
Почему модели, обученные следовать инструкциям, сходятся к одной и той же статистической форме
Каждый крупный чатбот, выпущенный с 2023 года, строится в целом одинаково: сначала его обучают предсказывать следующее слово на огромном объеме текста, затем дообучают, чтобы превратить этот исходный механизм предсказания в беглого, кооперативного помощника, который прямо отвечает на запрос. Именно на этом втором этапе и происходит схождение.
В результате GPT, Claude, Gemini, DeepSeek и большинство других ассистентов, настроенных по инструкциям, как правило, производят прозу, находящуюся в сходной статистической области: последовательно предсказуемый выбор слов и даже ритм предложений. Классификатор, обученный распознавать этот признак низкой перплексии и низкой вариативности в выводе одной модели, по самой своей конструкции реагирует на нечто, что также производят несколько других моделей, независимо от того, входили ли какие-либо из них в его исходные обучающие данные.
Очеловечить свою работу
Преобразуйте текст, созданный с помощью AI, и сделайте его более естественным, не затрагивая важные слова или цитаты.
Что Turnitin на самом деле говорит о покрытии моделей
Turnitin прямо указывает, что это сознательное проектное решение, а не случайность тестирования. Его исходная модель обнаружения AI-текста была обучена на GPT-3, GPT-3.5 и их вариантах, и в документации Turnitin прямо сказано: 'Our technology can also detect other AI writing tools that are based on these models, such as ChatGPT.' Это утверждение поставщика о том, как его классификатор обобщает данные, а не независимо проверенный результат, и его следует читать именно так.
DeepSeek в этом списке отсутствует. Опубликованный Turnitin список моделей, которые он с тех пор добавил, весьма обширен. На момент написания сюда входят модели семейств GPT-4 и GPT-5, линии Gemini Pro и Flash, включая их самые последние предварительные версии, Claude Sonnet-4.5 и LLaMA.
| Модель | Что говорит собственная опубликованная информация Turnitin о покрытии |
|---|---|
| ChatGPT (GPT-3.5, GPT-4, GPT-4o, GPT-5 series) | Названо прямо, исходный набор данных для обучения и его прямые преемники |
| Claude (Sonnet 4.5) | Названо прямо в текущем опубликованном списке Turnitin |
| Gemini (Pro, 2.5 Pro, 2.5 Flash, 3-series previews) | Названо прямо в текущем опубликованном списке Turnitin |
| LLaMA | Названо прямо в текущем опубликованном списке Turnitin |
| DeepSeek | Не названо в опубликованном списке Turnitin по состоянию на August 2026. Turnitin не утверждает, что DeepSeek исключен, только что он не фигурирует по названию |
| Любой другой чатбот, построенный на основе перечисленной модели | Turnitin указывает, что его технология также обнаруживает инструменты, основанные на моделях, которые он называет |
Что Turnitin не публикует
То, чего нет в собственных материалах Turnitin, имеет не меньшее значение, чем то, что в них есть. Turnitin не публикует отдельный показатель точности для каждой модели, которую он называет, показатель обнаружения по каждой модели для GPT-4 в сравнении с Gemini и Claude. Несколько сайтов приводят конкретный процент обнаружения DeepSeek без видимого источника или метода, лежащего в основе этого числа.
К такому пробелу стоит относиться как к факту, а не заполнять его догадками. Никто за пределами Turnitin не публиковал независимого, методологически прозрачного теста его индикатора AI writing, разбитого по исходной модели, включая DeepSeek, поэтому любое конкретное число, связанное с показателем обнаружения одной модели, следует считать непроверенным, пока первоисточник действительно не укажет его.
Построить справедливое сравнение означало бы собрать большой, актуальный корпус текстов от каждой модели, подтвердить, что ни один из них не попал в собственные обучающие данные Turnitin, и прогнать все это через один и тот же детектор при одинаковых условиях и в одно и то же время. Поставщики обновляют свои модели каждые несколько месяцев, поэтому сравнение, опубликованное даже год назад, может уже описывать чатботы, которые в той форме, в какой их тестировали, больше не существуют. Это реальное методологическое требование, а не отговорка, и именно поэтому в этой статье приводится то, что Turnitin говорит о собственном охвате, а не набор процентов обнаружения, который никто на самом деле не измерял.
Действительно ли смена чатботов помогает?
Судя по данным, которые публикует сам Turnitin, нет. Классификатор, созданный для реакции на статистический паттерн, а не на название бренда, не имеет очевидных причин относиться к плавному, предсказуемому выводу DeepSeek иначе, чем к выводу ChatGPT, и собственная формулировка Turnitin о выявлении инструментов, 'основанных на этих моделях', указывает в ту же сторону. Выбирать неназванный чатбот, исходя из предположения, что отсутствие в списке означает иммунитет, это догадка, замаскированная под стратегию.
Что касается практической стороны учебных заданий, очеловечивание AI-эссе для колледжа рассматривается отдельно. Абитуриенты сталкиваются с другой версией той же проблемы, и проверяют ли приемные комиссии колледжей AI имеет собственную страницу.
Более надежный шаг связан не с тем, какой чатбот создал черновик, а с тем, что происходит с ним после этого. Бесплатный checker burstiness показывает ту же самую однообразность ритма предложений, на которую реагирует классификатор, независимо от того, чье имя стоит вверху окна чата, из которого он появился. AI humanizer для студентов от TextPulse работает на том же статистическом уровне, перестраивая ритм и структуру предложений, а не делая ставку на пробел в опубликованном списке одного поставщика. То, какой чатбот написал первый черновик, имеет гораздо меньшее значение, чем то, действительно ли версия, которую вы сдаете, читается так, как будто ее написали вы.
Часто задаваемые вопросы
Turnitin нигде не называет DeepSeek в своем текущем опубликованном списке моделей, которые он обнаруживает, хотя и не утверждает, что DeepSeek исключен. Может ли Turnitin обнаружить DeepSeek на практике? Его классификатор построен так, чтобы реагировать на статистический паттерн в прозе, а не на название бренда, и его собственная документация описывает обнаружение инструментов, построенных на моделях, которые он называет, что является более широким утверждением, чем один лишь список по названиям.
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.
