Огляд Pangram AI Detector: інструмент, який дослідники продовжують перевіряти
Pangram публікує рівень хибнопозитивних результатів приблизно 1 на 10,000, і, на відміну від більшості постачальників детекторів, тепер має нещодавні незалежні дослідження, що вказують у тому самому напрямі. Рецензоване дослідження 2026 року з Vrije Universiteit Brussel показало, що це був єдиний із чотирьох інструментів, який дав задовільні результати на магістерських роботах. Ось що вимірювали дослідження, де докази все ще слабкі, і що не може довести жоден результат детектора.
Pangram є AI detector, на який незалежні дослідники постійно звертають увагу, і це робить його вартим уважнішого розгляду, ніж звичайна таблиця показників постачальника. Його розробник, Pangram Labs, публікує рівень хибнопозитивних спрацьовувань приблизно 1 на 10,000 і заявлену точність 99.98 percent. Це власні цифри компанії, виміряні на її власних бенчмарках. Те, що відрізняє Pangram від більшості інших рішень, полягає в тому, що, цього разу, нещодавні зовнішні дослідження вказують у тому самому загальному напрямі.
Протягом останнього року з'явилися дві незалежні оцінки: рецензоване дослідження з Vrije Universiteit Brussel, опубліковане Springer у June 2026, і робочий документ Booth School University of Chicago, про який писали в Chicago Booth Review у December 2025. Обидва дослідження чітко поставили Pangram попереду більш відомих конкурентів, зокрема Turnitin, GPTZero і Copyleaks. Жодне з досліджень не робить оцінку жодного detector доказом чогось щодо одного конкретного документа, і обидва прямо це зазначають.
Далі йтиметься про те, що Pangram стверджує про себе, що саме вимірювали ці два дослідження, де докази все ще слабкі, і що зростання цього інструмента говорить про решту сфери detection.
Що таке Pangram і хто ним користується
Pangram Labs є невеликою компанією, заснованою у 2023 у Brooklyn дослідниками AI, які раніше працювали в Tesla і Google. Продукт перевіряє вставлений або завантажений текст і повертає оцінку того, яка його частка згенерована AI, із підсвічуванням на рівні речень, а також, у платних планах, виявлення зображень і перевірку на плагіат.
Його база користувачів виглядає інакше, ніж у Turnitin. Turnitin продається установам і працює всередині систем управління навчанням, тоді як Pangram може використовувати будь-хто з безплатним обліковим записом, а це означає, що ним безпосередньо користуються студенти, редактори, працівники журналів і ті, хто читає матеріали для вступу. Це новачок на цьому ринку, і дедалі частіше саме до нього звертаються дослідники академічної доброчесності, коли їм потрібна точка порівняння, саме тому, що в тестах він продовжує показувати результати, яких не дають чинні гравці.
Що стверджує постачальник
Pangram на головній сторінці рекламує 99.98 percent точності та стверджує, що його рівень хибнопозитивних спрацьовувань, тобто частота, з якою людські документи помилково позначаються як AI, наразі становить 1 in 10,000. Публікація компанії в блозі про хибнопозитивні спрацьовування, написана її CTO, розкладає цю загальну цифру за жанрами: 0.004 percent на академічних есе, 0.001 percent на наукових анотаціях, із слабшими місцями, які сама компанія визнає, такими як 0.05 percent на поезії та 0.23 percent на рецептах. Компанія також стверджує, що її модель і далі виявляє AI текст після того, як його було оброблено так званими humanizer tools.
Усі ці цифри є самозвітними даними з власних тестових наборів постачальника, і той самий допис містить власні застереження постачальника: модель найкраще працює на довшому тексті, написаному повними реченнями, а компанія радить не перевіряти короткі марковані списки або дуже формалізований текст. Потрібно враховувати обидві ці частини. Ці твердження є незвично конкретними і незвично низькими, але вони залишаються лише твердженнями, доки їх не перевірить хтось поза компанією.
Що показують незалежні докази
Найсильнішим тестом на сьогодні є рецензоване дослідження Van Vlasselaer, Van Droogenbroeck і Spruyt у Vrije Universiteit Brussel, опубліковане в червні 2026 року в International Journal for Educational Integrity. Команда створила 160 академічних робіт магістерського рівня обсягом щонайменше 4,000 слів кожна: 40 написаних реальними студентами до 2019 року, 40 повністю згенерованих за допомогою GPT-4o Deep Research, 40 гібридних і 40 згенерованих ШІ, а потім навмисно «олюднених». Усі їх пропустили через Turnitin, GPTZero, Copyleaks і Pangram.
Щодо повністю згенерованих ШІ робіт, дослідження повідомляє, що Turnitin, GPTZero і Copyleaks «повністю не змогли виявити контент, згенерований ШІ». Turnitin для кожної з цих 40 робіт показав від 0 до 20 відсотків ШІ; медіанні показники всіх трьох наявних інструментів були нижчими за 20 відсотків для робіт, які на 100 відсотків були написані машиною. Pangram досяг суворої точності 65 відсотків і інклюзивної точності 97.5 відсотка на тому самому наборі, помилково класифікувавши одну роботу. На наборі «олюднених» робіт Pangram правильно ідентифікував контент ШІ у 37 із 40 випадків, що становить сувору точність 92.5 відсотка, тоді як GPTZero досяг 2.5 відсотка, Copyleaks 22.5 відсотка, а Turnitin 50 відсотків.
| Інструмент | Повністю ШІ роботи (сувора точність) | ШІ роботи, «олюднені» людиною (сувора точність) | Людські роботи, правильно визнані такими, що не містять ШІ |
|---|---|---|---|
| Pangram | 65% | 92.5% | 100% |
| Turnitin | 0% | 50% | 100% |
| GPTZero | 0% | 2.5% | 100% |
| Copyleaks | 0% | 22.5% | 100% |
Другий пункт даних, це робоча стаття Браяна Джабаріана та Алекса Імаса в Chicago Booth, яку підсумовано в Chicago Booth Review у грудні 2025 року. Перевіряючи детектори на приблизно 2,000 людських уривках, написаних у шести медіа, а також на версіях AI від чотирьох передових моделей, вони виявили, що рівень хибнопозитивних спрацьовувань Pangram був практично нульовим майже за всіма порогами ухвалення рішень, з точністю, яка ніколи не опускалася нижче 99.8 percent на їхньому корпусі, і хибнонегативними результатами між 2 і 4 percent залежно від моделі. Дослідники пропонують, щоб установи ухвалили сувору межу політики, наприклад не більше ніж 0.5 percent людського письма позначалося як підозріле, перш ніж довіряти будь-якому детектору в операційній практиці. Зверніть увагу на різницю в статусі, стаття Booth є робочою статтею, ще не пройшла рецензування, і вона тестувала немодифікований текст AI, а не академічні роботи, адаптовані під людський стиль.
Хибнопозитивні спрацьовування і хто зазнає шкоди
Хибнопозитивні спрацьовування, це місце, де зосереджується шкода від детекторів, і закономірність, задокументована в цій галузі, полягає в тому, що позначки непропорційно часто припадають на авторів, для яких англійська не є рідною. Дослідження VUB варто прочитати саме з цього приводу, його 40 людських робіт були всі написані носіями англійської мови, для яких вона не є рідною, і всі чотири інструменти, включно з Pangram, визнали 100 percent з них. Це справді обнадійливий результат, і водночас це лише 40 робіт. Вибірка такого розміру не може підтвердити показник на кшталт 0.004 percent, лише власне значно масштабніше внутрішнє тестування постачальника дає настільки точні числа, і жодна зовнішня сторона не відтворила їх у такому масштабі.
Розділ дослідження про реальні умови показує, чому обережність зберігається навіть за наявності добрих бенчмарків. Коли дослідники прогнали Pangram через 1,163 фактичні магістерські роботи з 2024 і 2025 років, він позначив 45.5 percent з них на певному рівні, із медіанною оціненою часткою AI 30 percent серед позначених випадків, і для жодної з цих робіт не існує ground truth. Автори висловлюються прямо: показники виявлення є корисними початковими сигналами і ніколи не мають бути єдиним доказом у рішеннях із високими ставками. Студент, якому висунуто звинувачення, усе одно потребує процесуально обґрунтованих способів продемонструвати авторство, незалежно від того, який детектор видав число.
Гуманізуйте свою власну статтю
Перетворіть текст, створений за допомогою AI, і зробіть його природним, не змінюючи важливих слів або цитат.
Ціни та доступ
Сайт Pangram пропонує 20 безплатних перевірок на день після реєстрації облікового запису, а платні підписки додають обсяг кредитів і такі функції, як виявлення плагіату. Ця модель доступу має не менше значення, ніж показники точності: на відміну від Turnitin, з яким автор стикається лише тоді, коли установа запускає його проти нього, Pangram можна перевірити безпосередньо, тож автор може побачити той самий клас сигналу, який рецензент міг би побачити до будь-якого подання.
Місце Pangram у ландшафті детекторів
Підсумок авторів VUB щодо цієї сфери є прямим: "З чотирьох інструментів виявлення AI, які тут вивчалися, на цей момент лише один дав задовільні результати." Це речення багато говорить і про чинні інструменти, і про Pangram. Turnitin, інструмент, на який насправді покладається більшість установ, отримав для повністю AI згенерованого набору нуль, а його окремо задокументований показник хибнопозитивних результатів уже змусив університети обережно ставитися до його оцінок. Усі ці інструменти вимірюють статистичні властивості тексту, і основні механізми пояснюють і те, чому новіший підхід до навчання Pangram може випереджати інші, і те, чому кожен із них залишається імовірнісним.
Чесний висновок: Pangram наразі є найкраще підтримуваним детектором в незалежному тестуванні, з великим відривом, на підставі недавніх даних. Водночас ці дані є вузькими. Два дослідження, одне рецензоване, одне ні, обидва за останній рік, переважно англійською мовою, переважно довгі академічні та вебтексти. Виявлення є гонкою озброєнь проти моделей, що змінюються щокварталу, і інструмент, який лідирує у 2026 році, зберігає цю перевагу лише до появи наступного покоління тексту. Оцінка Pangram є краще відкаліброваною, ніж ті, які дають його конкуренти. Це все ще оцінка, а не доказ того, що зробила якась конкретна людина.
Дивіться повне порівняння
Pangram є одним інструментом у переповненому, нерівномірному полі. Щоб побачити, як він виглядає порівняно з Turnitin, GPTZero, Copyleaks, ZeroGPT та іншими за тими самими критеріями, дивіться повний посібник AI detectors compared.
Що показало наше власне дослідження
У дослідженні узгодженості детекторів TextPulse Research дев'ять комерційних ШІ-детекторів оцінили ті самі 90 академічних текстів. Один із них був гібридним текстом на 455 слів: написані людиною вступ і завершення навколо згенерованої ШІ середньої частини на 168 слів. Pangram оцінив цей текст у 34% ШІ, тоді як вердикти інших інструментів щодо тих самих слів розійшлися від 0% до 95.7% ШІ. Повна стаття, корпус і матриця оцінок кожного інструмента відкрито доступні на TextPulse Research.
Часті запитання
Власні твердження Pangram становлять 99.98 percent точності та рівень хибнопозитивних результатів близько 1 на 10,000, виміряні на внутрішніх бенчмарках. Незвично для цієї галузі, нещодавні незалежні роботи вказують у тому самому напрямі: рецензоване дослідження Vrije Universiteit Brussel від червня 2026 року показало, що це був єдиний із чотирьох інструментів, який надійно виявляв повністю AI generated і humanized магістерські роботи, а робоча стаття Chicago Booth виявила рівень хибнопозитивних результатів, близький до нуля, на своєму корпусі. Незалежні докази є сильними, але нещодавніми та обмеженими за обсягом.
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.
