זיהוי וייצור נעולים במרוץ חתול-עכבר. כל הוצאת מודל חדשה סוגרת את הפער הסטטיסטי שעליו גלאים מסתמכים — וכל שיפור בזיהוי נענה על ידי כלי הומנייזר חדש. הנה מה שבאמת קורה מתחת למכסה המנוע.
כל גלאי טקסט AI הוא בסופו של דבר מבחין סטטיסטי — הוא בוחן תכונות של טקסט (הסתברויות טוקנים, perplexity, burstiness, סדירות תחבירית) ומנסה למצוא אותות שמבחינים בין תוכן שנוצר על ידי מכונה לתוכן שנכתב על ידי אדם. שיטת Binoculars (ICML 2024) משתמשת ביחס של cross-perplexity בין שני מודלי שפה כאות שלה. הגישה המפוקחת של ModernBERT לומדת את האות ישירות מדוגמאות מתויגות.
שתי הגישות חולקות פגיעות יסודית: האותות עליהם הן מסתמכות הם תופעות לוואי של האופן שבו מודלים מייצרים טקסט, לא תכונות יסודיות של כתיבת-מכונה. ככל שהגנרטורים משתפרים, תופעות הלוואי הללו מצטמצמות. מודל שאומן לכתוב יותר כמו אדם יהיה — בהגדרה — קשה יותר לזיהוי.
זה אינו כישלון מחקרי. זהו עובדה מבנית על הבעיה. הזיהוי פועל על יעד נע: כל הוצאת LLM מרכזית מצמצמת את הפער, כל כלי הומנייזר מתאמן במפורש מול פלטי גלאי. השאלה אינה ‘האם נוכל להשיג 100% זיהוי לנצח’ — זה לא ניתן לביצוע — אלא ‘האם נוכל להישאר לפני הדור הנוכחי מספיק זמן כדי להיות שימושיים בפועל.’
שלוש מגמות ייצור מקשות על הזיהוי. גודל: מודלים גדולים יותר מייצרים טקסט מגוון סטטיסטית יותר כיוון שיש להם התפלגויות פנימיות עשירות יותר. מודל בן 70 מיליארד פרמטרים יש לו מגוון רחב יותר של פלט דמוי-אדם מאשר מודל בן 7 מיליארד פרמטרים. כיוון-הוראה: RLHF ושיטות חוקתיות מלמדות מודלים להימנע מהדפוסים החזרתיים, המגויסים, ה-bland שהפכו את GPT-3 לקל לזיהוי. טמפרטורה ודגימה: ממשקי צ'אט עברו לדגימת גרעין ואקראיות, המשברות חלק מדפוסי ה-low-variance שגלאים קלאסיים השתמשו בהם כעוגנים.
GPT-5, Claude 4.5, ו-Gemini 2.5 קשים לזיהוי באופן ניכר יותר מקודמיהם. האימות הפנימי שלנו מאשר זאת: כל דור מודל מוריד את ה-AUC שלנו על אותה משפחה ב-5–10 נקודות אחוז בהשוואה לדור הקודם. ראו את בנצ'מארק הדיוק שלנו לקבלת מספרים לכל מודל.
כלי הומנייזר — Undetectable AI, StealthWriter, Humanbeing, ורשימה גדלה — הם האנטגוניסטים המפורשים. הם לוקחים פלט AI ומנסחים מחדש, כותבים מחדש, או מעבירים סגנון ספציפית כדי להביס גלאים. הם מאומנים מול גלאים ציבוריים (כולל שלנו, אם כי לעולם לא נחלק את משקלי המודל שלנו) והם הופכים לטובים יותר באופן מדיד עם כל עדכון.
לגלאים יש שלוש תגובות למרוץ חימוש הייצור. אנסמבל: שילוב אותות זיהוי מרובים כך שכל טקטיקת התחמקות יחידה אינה מספיקה. האנסמבל שלנו של Binoculars ללא-ירייה עם ModernBERT מפוקח מנצל זאת: הומנייזר שמביס רכיב אחד לעתים קרובות נכשל מול השני, וציון האנסמבל לוכד את שניהם.
אימון מחדש מתמשך: אנו מוסיפים דגימות מכל הוצאת גנרטור מרכזית חדשה תוך 4 שבועות מהשקה. אם GPT-6 יוצא מחר, קורפוס האימון שלנו יכלול אותו לאמצע החודש הבא. זה יקר — מחשוב, הערות, ואימות מחדש — אך זוהי הדרך היחידה לשמור על עדכניות הזיהוי. גלאים שמאמנים מחדש מדי שנה או פחות הם אפקטיבית פריטי מוזיאון תוך שנה.
אימון אנטגוניסטי: אנו מאמנים במכוון על דגימות AI שהוּאנסו ופלטים מנוסחים מחדש, ומלמדים את המודל לראות מעבר להעברת סגנון ברמת פני השטח. זה מעלה את הרצפה של מה שהומנייזר חייב לעשות כדי להתחמק מאיתנו, מה שבתורו מאט את מרוץ החימוש.
כיצד כלי הומנייזר עובדים בפועל? שלוש קטגוריות רחבות. פרפרזה: כתיבה מחדש של הטקסט מילה-במילה או משפט-במשפט באמצעות LLM משני. יעיל מול גלאים תמימים הנשענים על רצפי טוקנים מדויקים; יעיל במידה בינונית מול שיטות סטטיסטיות. העברת סגנון: שינוי הטקסט לחיקוי של מחבר ספציפי או רגיסטר. יעיל יותר — ה-AUC של הגלאי שלנו יורד ב-~8 נקודות על טקסט AI שעבר העברת סגנון.
עריכה היברידית אדם-AI: המחבר כותב טיוטה, מריץ אותה דרך LLM לצחצוח, ואז עורך ידנית את הגרסה המצוחצחת. זהו המקרה הקשה ביותר — עבודה שיתופית לגיטימית המשלבת אותות אנושיים ומכוניים ברמת המשפט. שום גלאי, כולל שלנו, לא יכול לפתור אלה באופן מהימן ללא מטא-נתוני היסטוריית עריכה שהגלאי אינו יכול לראות.
מודל מנטלי שימושי: הומנייזר אינו מפרץ-גלאי, הוא מכפיל עלויות עבור המתחמק. זה לוקח זמן, לפעמים כסף, ותמיד מוסיף סיכון של הכנסת שגיאות. רוב ניסיונות הרמאות האקדמיים אינם משתמשים בהומנייזרים כי הפריקציה עולה על התועלת. היכן שהומנייזרים שולטים הוא חוות תוכן מקצועיות וספאם SEO שנוצר על ידי AI — מקרי שימוש שבהם התפוקה חשובה ובקרת האיכות חלשה.
הדביקו כל מסמך וצפו בפסיקה לכל משפט בזמן אמת. לוגיקת האנסמבל המתוארת לעיל רצה על הטקסט שלכם בפחות מ-30 שניות.
לגלאי בעל-אות-יחיד יש מצב כישלון יחיד. אם אתם מסתמכים רק על perplexity, פלט מנוסח מחדש עם הסתברויות טוקנים שהשתנו מביס אתכם. אם אתם מסתמכים רק על מסווג מפוקח, טקסט מחוץ להתפלגות (משפחת מודלים חדשה, תחום כתיבה חדש) מביס אתכם. אנסמבל ממצע את החולשות: הפרפרזה שמביסה perplexity כנראה עדיין תעלה על ה-head המפוקח, ולהיפך.
גלאי הייצור שלנו מאונסמב במפורש: 35% Binoculars (ללא-ירייה, אגנוסטי-מודל, חזק לטקסט מחוץ להתפלגות) + 65% ModernBERT (מפוקח, ספציפי לתחום, דיוק גבוה על טקסט מתוך-התפלגות). המשקלים נבחרו אמפירית — AUC האנסמבל הוגדל כאשר ModernBERT שלט אך Binoculars שמר על כוח וטו במקרי קצה.
התוצאה: כלי הומנייזר כעת חייב להביס שתי ארכיטקטורות זיהוי שונות באופן מהותי בו-זמנית כדי להתחמק מפסיקתנו. הומנייזרים ציבוריים בדרך כלל מאומנים מול גלאי יעד יחיד, מה שאומר שהם לעתים קרובות מצליחים מול אותו גלאי ספציפי אך נכשלים מול אנסמבל. זהו יתרון המבנה העיקרי של הזיהוי במרוץ החימוש הנוכחי.
מה לצפות ל-2026–2027? GPT-6 ו-Claude 5 הם ככל הנראה הוצאות אמצע-שנה; שניהם יצמצמו עוד יותר את הפער. מודלים עם-משקלים-פתוחים — Llama 4, Qwen 4 — ימשיכו להמחיז ייצור באיכות גבוהה ולהפוך הומנייזרים לזולים יותר להרצה בקנה מידה. AUC הזיהוי על מודלים חזיתיים כנראה ייפול לרצועת 0.80–0.90 בשנה הראשונה לאחר ההוצאה לפני שאימון מחדש יתקן זאת.
בצד ההגנה: אותות רב-מודליים (דינמיקת הקלדה, היסטוריית עריכה, אימות זכות יוצרים מול קורפוס ידוע) צפויים להשתנות יותר מזיהוי המבוסס על טקסט בלבד תוך 24 חודשים. הגלאי המבוסס-על-טקסט שלנו יישאר המסנן הראשון אך יהפוך יותר ויותר לחבר הצבעה בערימת ראיות עשירה יותר.
השורה התחתונה הכנה: זיהוי המבוסס על טקסט בלבד לעולם לא יגיע ל-100%. הוא יתייצב סביב 90–95% AUC על טקסט מתוך-התפלגות ו-75–85% על מודלים חזיתיים. אם זרימת העבודה שלכם דורשת ודאות, אתם צריכים ראיות מעבר לציון. אם זרימת העבודה שלכם דורשת אות חזק לתעדוף סקירה אנושית, זיהוי המבוסס-על-טקסט נשאר שימושי וטוב יותר למדידה מאשר לא לעשות כלום.
מאמר זה מתאר תכונות מבניות של זיהוי טקסט AI. מספרים ספציפיים מתייחסים לאימות הפנימי שלנו ועלולים שלא להכליל. אנו מעדכנים דף זה ככל שמחקר חדש והוצאות גנרטורים מצדיקות.
תעמוד עם אוקראינה!