Hogyan működnek a mesterséges intelligencia detektorok?

Hogyan működnek a mesterséges intelligencia detektorok?

Rövid válasz: A mesterséges intelligencia detektorai nem „bizonyítják”, hogy ki írt valamit; azt becsülik meg, hogy egy szövegrész mennyire hasonlít az ismerős nyelvi modell mintákhoz. A legtöbbjük osztályozók, előrejelezhetőségi jelek (zavar/robbanékonyság), sztilometria és ritkább esetekben vízjel-ellenőrzések keverékére támaszkodik. Amikor a minta rövid, nagyon formális, technikai, vagy egy angol nyelvet beszélő szerző írta, a pontszámot jelzésként kell kezelni az áttekintésre – ne ítéletként.

Főbb tanulságok:

Valószínűség, nem bizonyíték : A százalékokat „mesterséges intelligencia-szerűség” kockázati jelzésként, ne pedig bizonyosságként kezeljük.

Téves riasztások : A hivatalos, technikai, sablonos vagy nem anyanyelvi írásokat gyakran tévesen jelölik meg.

Módszerek keveréke : Az eszközök osztályozókat, zavart/robbanékonyságot, sztilometriát és ritka vízjel-ellenőrzéseket kombinálnak.

Átláthatóság : Olyan detektorokat részesítsünk előnyben, amelyek a felületi fesztávolságokat, jellemzőket és bizonytalanságot is feltérképezik – nem csak egyetlen számot.

Vitázhatóság : Tartson kéznél vázlatokat/jegyzeteket és folyamatbizonyítékokat viták és fellebbezések esetére.

Hogyan működnek a mesterséges intelligencia detektorok? Infografika

Cikkek, amiket esetleg ezután érdemes elolvasnod:

🔗 Melyik a legjobb AI detektor?
A legjobb AI-észlelőeszközök összehasonlítása pontosság, funkciók és használati esetek tekintetében.

🔗 Megbízhatóak a mesterséges intelligencia által kibocsátott detektorok?
Elmagyarázza a megbízhatóságot, a téves pozitív eredményeket, és azt, hogy miért térnek el gyakran az eredmények.

🔗 Képes a Turnitin érzékelni a mesterséges intelligenciát?
Teljes körű útmutató a Turnitin mesterséges intelligencia általi észleléséhez, korlátaihoz és ajánlott gyakorlataihoz.

🔗 Pontos a QuillBot mesterséges intelligencia detektora?
A pontosság, az erősségek, a gyengeségek és a valós tesztek részletes áttekintése.

1) A gyors ötlet - mit is csinál valójában egy mesterséges intelligencia által detektált detektor ⚙️

A legtöbb mesterséges intelligencia detektor nem úgy „fogja a mesterséges intelligenciát”, mint a háló a halat. Valami prózaibbat csinálnak:

Legyünk őszinték – a felhasználói felület valami olyasmit fog mondani, hogy „92% mesterséges intelligencia”, mire az agyad azt mondja: „Hűha, ez tény.” Ez nem tény. Ez egy modell tippje egy másik modell ujjlenyomatáról. Ami enyhén vicces, mintha kutyák szagolnának kutyákat 🐕🐕

2) Hogyan működnek a mesterséges intelligencia alapú detektorok: a leggyakoribb „detektorok” 🔍

A detektorok általában az alábbi megközelítések egyikét (vagy ezek keverékét) alkalmazzák: ( Felmérés az LLM által generált szövegészleléssel kapcsolatban )

A) Osztályozó modellek (a leggyakoribbak)

Egy osztályozót címkézett példákon tanítanak be:

  • Ember által írt minták

  • MI által generált minták

  • Néha „hibrid” minták (ember által szerkesztett mesterséges intelligencia által írt szöveg)

Ezután megtanulja a csoportokat elkülönítő mintákat. Ez a klasszikus gépi tanulási megközelítés, és meglepően jó tud lenni... amíg meg nem szűnik. ( Felmérés az LLM által generált szövegfelismerésről )

B) Zavarodottság és „robbanékonyság” pontozása 📈

Néhány detektor kiszámítja, hogy mennyire „előrejelezhető” a szöveg.

  • Zavar : nagyjából, mennyire meglepődik egy nyelvi modell a következő szó hallatán. ( Bostoni Egyetem - Zavarba ejtő bejegyzések )

  • Az alacsonyabb zavarosság arra utalhat, hogy a szöveg nagyon kiszámítható (ami mesterséges intelligencia által kiadott kimeneteknél előfordulhat). ( DetectGPT )

  • A „Burstiness” (szórtság) a mondatok összetettségének és ritmusának variációját méri. ( GPTZero )

Ez a megközelítés egyszerű és gyors. Könnyen összezavarható is, mivel az emberek is tudnak kiszámíthatóan írni (üdvözlöm a vállalati e-maileket). ( OpenAI )

C) Stilometria (ujjlenyomat-írás) ✍️

A sztilometria az alábbi mintázatokat vizsgálja:

  • átlagos mondathossz

  • írásjelek stílusa

  • függvényszavak gyakorisága (the, and, but…)

  • szókincsváltozatosság

  • olvashatósági pontszámok

Olyan, mint a „kézírás-elemzés”, kivéve a szöveget. Néha segít. Néha olyan, mintha megfázást diagnosztizálnánk valakinek a cipőjét nézve. ( Stilometria és forenzikus tudomány: Irodalmi áttekintés ; Funkciószavak a szerzőség megjelölésében )

D) Vízjelészlelés (ha létezik) 🧩

Néhány modellszolgáltató képes finom mintákat („vízjeleket”) beágyazni a generált szövegbe. Ha egy detektor ismeri a vízjel sémáját, megpróbálhatja ellenőrizni azt. ( Vízjel nagy nyelvi modellekhez ; SynthID szöveg )

De… nem minden modell rendelkezik vízjellel, nem minden kimenet őrzi meg a vízjelet a szerkesztések után, és nem minden detektor fér hozzá a titkos összetevőhöz. Tehát ez nem egy univerzális megoldás. ( A vízjelek megbízhatóságáról nagy nyelvi modellek esetén ; OpenAI )

3) Mitől lesz egy AI-detektor jó ✅

Egy „jó” detektor (tapasztalataim szerint több detektort teszteltem egymás mellett szerkesztői munkafolyamatok céljából) nem az, amelyik a leghangosabban ordít. Az, amelyik felelősségteljesen viselkedik.

Íme, mitől lesz egy mesterséges intelligencia által kibocsátott detektor szilárd:

A legjobbak, akiket láttam, általában egy kicsit szerények. A legrosszabbak úgy tesznek, mintha gondolatokat olvasnának 😬

4) Összehasonlító táblázat - gyakori MI-detektor „típusok” és hol mutatkoznak igazán 🧾

Az alábbiakban egy gyakorlati összehasonlítás látható. Ezek nem márkanevek – ezek a fő kategóriák, amelyekkel találkozni fog. ( Felmérés az LLM által generált szövegfelismerésről )

Szerszámtípus (kb.) Legjobb közönség Árérzet Miért működik (néha)
Perplexity Checker Lite Tanárok, gyors ellenőrzések Szabad-szerű Gyors jelzés a kiszámíthatóságról – de ijedős is lehet…
Osztályozó szkenner Pro Szerkesztők, HR, megfelelőség Előfizetés Mintákat tanul a címkézett adatokból - közepes hosszúságú szövegekkel is megfelelő
Stilometriai analizátor Kutatók, kriminalisztikai szakemberek $$$ vagy niche Összehasonlítja az ujjlenyomatok írását - furcsa, de hosszú formában hasznos
Vízjel kereső Platformok, belső csapatok Gyakran csomagban Erős, ha van vízjel - ha nincs, akkor gyakorlatilag vállat von
Hibrid vállalati csomag Nagy szervezetek Ülésenkénti szerződések Több jelet kombinál - jobb lefedettség, több hangolási lehetőség (és több lehetőség a félrekonfigurálásra, hoppá)

Figyeld meg az „árérzet” oszlopot. Igen, ez nem tudományos. De őszinte 😄

5) A detektorok által keresett alapvető jelek – az „árulkodó jelek” 🧠

Íme, amit sok detektor megpróbál a motorháztető alatt mérni:

Előrejelezhetőség (token valószínűség)

A nyelvi modellek a valószínűsíthető következő tokenek előrejelzésével generálnak szöveget. Ez általában a következőket hozza létre:

Az emberek ezzel szemben gyakran cikkcakkban játszanak. Ellentmondunk magunknak, véletlenszerű mellékes megjegyzéseket teszünk, kissé fura metaforákat használunk – például egy mesterséges intelligencia detektort egy kenyérpirítóhoz hasonlítunk, amely a költészetet ítéli meg. Ez a metafora rossz, de érted, mire gondolok.

Ismétlés és szerkezeti minták

A mesterséges intelligencia által írt írás finom ismétléseket mutathat:

De emellett – rengeteg ember ír így, különösen iskolai vagy vállalati környezetben. Tehát az ismétlés csak nyom, nem bizonyíték.

Túlzott érthetőség és „túl tiszta” próza ✨

Ez egy különös eset. Néhány detektor implicit módon gyanúsnak tekinti a „nagyon tiszta írást”. ( OpenAI )

Ami kellemetlen, mert:

  • léteznek jó írók

  • szerkesztők léteznek

  • helyesírás-ellenőrző létezik

Szóval, ha azon gondolkodsz, hogyan működnek a mesterséges intelligencia detektorai , a válasz részben az, hogy néha a durvaságot jutalmazzák. Ami… eléggé fordított.

Szemantikai sűrűség és általános megfogalmazás

Az érzékelők megjelölhetik a következő érzésű szöveget:

A mesterséges intelligencia gyakran olyan tartalmat hoz létre, ami ésszerűnek tűnik, de kissé retusált. Mint egy jól kinéző, de nulla személyiségű hotelszoba 🛏️

6) Az osztályozó megközelítés - hogyan van betanítva (és miért hibás) 🧪

Egy osztályozó detektort jellemzően így tanítanak be:

  1. Gyűjts össze emberi szövegekből álló adatbázist (esszék, cikkek, fórumok stb.)

  2. AI szöveg generálása (több prompt, stílus, hosszúság)

  3. Címkézd fel a mintákat

  4. Modell betanítása a szétválasztásukra jellemzők vagy beágyazások használatával

  5. Érvényesítse visszatartott adatokon

  6. Küldd el… aztán a valóság lesújt rád ( Felmérés az LLM által generált szövegfelismerésről )

Miért üt ránk a valóság:

  • Tartományváltás : a betanítási adatok nem egyeznek a valós felhasználói írással

  • Modellváltás : az új generációs modellek nem úgy viselkednek, mint az adathalmazban lévők

  • Szerkesztési effektek : az emberi szerkesztések eltávolíthatják a nyilvánvaló mintákat, de megtarthatják a finomabbakat

  • Nyelvi változatosság : a nyelvjárások, az ESL írás és a formális stílusok félreolvasásra kerülnek ( Felmérés az LLM által generált szövegfelismerésről ; Liang et al. (arXiv) )

Láttam már olyan detektorokat, amik a saját bemutatójukon „kiválónak” bizonyultak, aztán a valós munkahelyi írás közben szétestek. Olyan ez, mintha egy szimatoló kutyát csak egyetlen márkájú sütire képeznél ki, és elvárnád, hogy a világ összes rágcsálnivalóját megtalálja 🍪

7) Zavarodottság és robbanékonyság - a matematikai rövidítés 📉

Ez a detektorcsalád általában a nyelvi modell pontozására támaszkodik:

  • Egy modellen futtatják át a szövegedet, amely becsli, hogy mekkora a valószínűsége minden egyes következő tokennek.

  • Kiszámítják az összesített „meglepetést” (zavarodottságot). ( Bostoni Egyetem - Zavarodottság bejegyzései )

  • Hozzáadhatnak variációs metrikák („robbanékonyság”), hogy lássák, emberinek érződik-e a ritmus. ( GPTZero )

Miért működik néha:

  • A nyers mesterséges intelligencia által létrehozott szöveg rendkívül sima és statisztikailag kiszámítható lehet ( DetectGPT )

Miért nem sikerül:

  • a rövid minták zajosak

  • a hivatalos írás kiszámítható

  • a műszaki írás kiszámítható

  • a nem anyanyelvi írás kiszámítható lehet

  • Az erősen szerkesztett mesterséges intelligencia által írt szöveg emberi kinézetű lehet ( OpenAI ; Turnitin )

Tehát a mesterséges intelligencia detektorainak működése néha egy gyorshajtóműre hasonlít, amely összezavarja a kerékpárosokat és a motorosokat. Ugyanaz az út, különböző motorok 🚲🏍️

8) Vízjelek - az „ujjlenyomat a tintában” ötlet 🖋️

A vízjelezés tiszta megoldásnak tűnik: a mesterséges intelligencia által generált szöveg megjelölése a generáláskor, majd későbbi észlelés. ( Vízjel nagy nyelvi modellekhez ; SynthID szöveg )

A gyakorlatban a vízjelek törékenyek lehetnek:

A vízjelészlelés csak akkor működik, ha:

  • vízjelet használnak

  • a detektor tudja, hogyan kell ellenőrizni

  • a szöveget nem alakították át sokat ( OpenAI ; SynthID Text )

Tehát igen, a vízjelek lehetnek hatásosak, de nem univerzális rendőri jelvények.

9) Téves pozitív eredmények és miért történnek (a fájdalmas rész) 😬

Ez megérdemelne egy külön fejezetet, mert itt zajlik a legtöbb vita.

Gyakori téves pozitív kimenetelek:

  • Nagyon formális hangnem (akadémiai, jogi, megfelelőségi írás)

  • Nem anyanyelvi angol (az egyszerűbb mondatszerkezetek „modellszerűnek” tűnhetnek)

  • Sablon alapú írás (motivációs levelek, SOP-k, laborjelentések)

  • Rövid szöveges minták (nincs elég jel)

  • Témakorlátozások (egyes témák ismétlődő megfogalmazásokat kényszerítenek ki) ( Liang et al. (arXiv) ; Turnitin )

Ha valaha is láttál már valakit megbélyegezni, mert túl jól írt… igen. Előfordul. És brutális.

A detektor pontszámát a következőképpen kell kezelni:

  • egy füstjelző, nem egy bírósági ítélet 🔥
    Azt mondja, hogy „talán ellenőrizd”, nem azt, hogy „lezárt ügy”. ( OpenAI ; Turnitin )

10) Hogyan értelmezd a detektor pontszámait felnőtt módjára 🧠🙂

Íme egy praktikus módja az eredmények leolvasásának:

Ha az eszköz egyetlen százalékot ad meg

Tekintsd úgy, mint egy durva kockázati jelzést:

  • 0-30%valószínűleg ember készítette vagy erősen szerkesztett

  • 30-70%kétértelmű zóna - ne feltételezz semmit

  • 70-100% : valószínűbbek a mesterséges intelligenciához hasonló minták, de még mindig nem bizonyítottak ( Turnitin útmutatók )

Még a magas pontszámok is lehetnek tévesek, különösen a következők esetében:

  • szabványosított írás

  • bizonyos műfajok (összefoglalók, definíciók)

  • ESL írás ( Liang et al. (arXiv) )

Keress magyarázatokat, ne csak számokat

A jobb detektorok a következőket biztosítják:

Ha egy eszköz nem hajlandó semmit elmagyarázni, és csak egy számot csap a homlokodra… Én nem bízom benne. Neked sem szabadna.

11) Hogyan működnek a mesterséges intelligencia detektorok: egy egyszerű mentális modell 🧠🧩

Ha tiszta, de tiszta ételt szeretnél, használd ezt a mentális modellt:

  1. a géppel generált szövegekben gyakori statisztikai és stilisztikai mintákat keresnek Felmérés az LLM által generált szövegfelismerésről )

  2. Ezeket a mintákat összehasonlítják a betanítási példákból tanultakkal. ( Felmérés az LLM által generált szövegfelismerésről )

  3. valószínűségszerű becslést adnak ki , nem pedig egy tényszerű eredettörténetet. ( OpenAI )

  4. A tipp érzékeny a műfajra, a témára, a hosszra, a szerkesztésekre és a detektor betanítási adataira . ( Felmérés az LLM által generált szövegfelismerésről )

Más szóval, a mesterséges intelligencia detektorai úgy működnek , hogy „a hasonlóságot ítélik meg”, nem a szerzőséget. Mint például azt mondani, hogy valaki úgy néz ki, mint az unokatestvére. Ez nem ugyanaz, mint egy DNS-teszt... és még a DNS-teszteknek is vannak szélsőséges esetei.

12) Gyakorlati tippek a véletlenszerű zászlók csökkentésére (játék nélkül) ✍️✅

Nem arról van szó, hogy „hogyan lehet becsapni a detektorokat”. Inkább arról, hogyan kell úgy írni, hogy az tükrözze a valódi szerzőséget, és elkerülje a furcsa félreolvasásokat.

  • Adjon meg konkrét részleteket: a ténylegesen használt fogalmak neveit, a megtett lépéseket, a figyelembe vett kompromisszumokat

  • Használj természetes variációkat: keverj rövid és hosszú mondatokat (ahogy az emberek gondolkodnak)

  • Tartalmazzon valós korlátokat: időkorlátok, használt eszközök, mi ment rosszul, mit csinálna másképp

  • Kerüld a túlzottan sablonos megfogalmazásokat: a „Ráadásul” szót cseréld ki valami olyanra, amit ténylegesen mondanál

  • Őrizzen meg vázlatokat és jegyzeteket: ha valaha is vita merül fel, a folyamat során felhalmozott bizonyítékok fontosabbak, mint a megérzések

Az igazság az, hogy a legjobb védekezés… őszinte. Tökéletlenül őszinte, nem pedig a „tökéletes brosúra” őszinte.

Záró gondolatok 🧠✨

A mesterséges intelligencia által generált detektorok értékesek lehetnek, de nem igazsággépek. Tökéletlen adatokon képzett mintaillesztők, amelyek egy olyan világban dolgoznak, ahol az írásstílusok folyamatosan átfedésben vannak. ( OpenAI ; Felmérés az LLM által generált szövegfelismerésről )

Röviden:

És igen… ha valaki újra megkérdezi, hogy hogyan működnek a mesterséges intelligencia detektorok , azt mondhatod neki: „Minták alapján tippelnek – néha okosak, néha bugyuták, mindig korlátozottak.” 🤖

GYIK

Hogyan működnek a mesterséges intelligencia detektorai a gyakorlatban?

A legtöbb mesterséges intelligencia által detektált eszköz nem „bizonyítja” a szerzőséget. Becslik, hogy a szöveg mennyire hasonlít a nyelvi modellek által általában előállított mintákra, majd valószínűségi pontszámot adnak ki. A burkolat alatt osztályozó modelleket, perplexitás-szerű előrejelezhetőségi pontozást, sztilometriai jellemzőket vagy vízjel-ellenőrzéseket használhatnak. Az eredményt legjobb kockázati jelként kezelni, nem pedig végleges ítéletként.

Milyen jeleket keresnek az írásban a mesterséges intelligencia detektorai?

A gyakori jelek közé tartozik a kiszámíthatóság (mennyire „lepődnek” meg a modellt a következő szavaidon), az ismétlődés a mondatvázakban, a szokatlanul következetes tempó és az általános megfogalmazások kevés konkrét részlettel. Egyes eszközök a stilometriai jelzőket is vizsgálják, mint például a mondat hosszát, az írásjelek használatának szokásait és a funkciószavak gyakoriságát. Ezek a jelek átfedésben lehetnek az emberi írással, különösen a formális, tudományos vagy műszaki műfajokban.

Miért jelölik a mesterséges intelligencia detektorok az emberi írást mesterséges intelligenciaként?

Téves pozitív eredmény akkor fordul elő, ha az emberi írás statisztikailag „sima” vagy sablonszerű. A hivatalos hangvétel, a megfelelési stílusú megfogalmazás, a technikai magyarázatok, a rövid minták és a nem anyanyelvi angol mind mesterséges intelligencia-szerűnek értelmezhető, mivel csökkentik a variációt. Ezért egy tiszta, jól szerkesztett bekezdés magas pontszámot eredményezhet. A detektor a hasonlóságot hasonlítja össze, nem pedig az eredetet erősíti meg.

Megbízhatóak-e a perplexitás- és a „burstiness” detektorok?

A perplexitáson alapuló módszerek működhetnek nyers, nagymértékben kiszámítható MI-kimenet esetén. De törékenyek: a rövid részek zajosak, és sok legitim emberi műfaj természetes módon kiszámítható (összefoglalók, definíciók, vállalati e-mailek, kézikönyvek). A szerkesztés és a csiszolás is drámaian megváltoztathatja az eredményt. Ezek az eszközök gyors triázsra alkalmasak, önmagukban nem nagy téttel járó döntések meghozatalára.

Mi a különbség az osztályozó detektorok és a sztilometriai eszközök között?

Az osztályozó detektorok az emberi és mesterséges intelligencia (és néha hibrid) szövegek címkézett adathalmazaiból tanulnak, és megjósolják, hogy a szöveg melyik csoportra hasonlít leginkább. A sztilometriai eszközök az „ujjlenyomatok” írására összpontosítanak, mint például a szóválasztási minták, a funkciószavak és az olvashatósági jelek, amelyek informatívabbak lehetnek a hosszú formátumú elemzésekben. Mindkét megközelítés tartományeltolódástól szenved, és nehézségekbe ütközhet, ha az írásstílus vagy a téma eltér a betanítási adatoktól.

A vízjelek végleg megoldják a mesterséges intelligencia észlelését?

A vízjelek erősek lehetnek, ha egy modell használja őket, és a detektor ismeri a vízjel sémáját. A valóságban nem minden szolgáltató használ vízjelet, és a gyakori átalakítások – parafrázis, fordítás, részleges idézés vagy források keverése – gyengíthetik vagy megszakíthatják a mintát. A vízjel-észlelés hatékony a szűk esetekben, amikor a teljes lánc egy vonalban van, de nem univerzális lefedettségű.

Hogyan kell értelmeznem az „X% AI” pontszámot?

Egyetlen százalékos értéket tekints a „mesterséges intelligencia” hasonlóságának durva jelzőjének, ne pedig a mesterséges intelligencia szerzőségének bizonyítékának. A közepes tartományú pontszámok különösen kétértelműek, és még a magas pontszámok is tévesek lehetnek szabványosított vagy formális írásban. A jobb eszközök olyan magyarázatokat kínálnak, mint a kiemelt tartományok, a jellemzőjegyzetek és a bizonytalansági kifejezések. Ha egy detektor nem magyarázza meg magát, ne tekintsd a számot mérvadónak.

Mitől lesz jó egy MI-detektor iskolák vagy szerkesztői munkafolyamatok számára?

Egy megbízható detektor kalibrált, minimalizálja a téves pozitív eredményeket, és világosan kommunikálja a korlátait. Kerülnie kell a túl magabiztos állításokat rövid mintákon, kezelnie kell a különböző területeket (akadémiai vs. blog vs. technikai), és stabilnak kell maradnia, amikor emberek módosítják a szöveget. A legfelelősségteljesebb eszközök alázattal viselkednek: bizonyítékokat és bizonytalanságot kínálnak, ahelyett, hogy gondolatolvasóként viselkednének.

Hogyan csökkenthetem a véletlenszerű AI-jelzéseket a rendszer „kijátszása” nélkül?

A hiteles szerzői jelzésekre koncentrálj a trükkök helyett. Adj meg konkrét részleteket (megtett lépések, korlátok, kompromisszumok), variáld a mondatritmust természetesen, és kerüld a túlságosan sablonos átmeneteket, amelyeket általában nem használnál. Őrizd meg a vázlatokat, jegyzeteket és a módosítási előzményeket – a folyamatbizonyítékok vitákban gyakran fontosabbak, mint egy detektor pontszáma. A cél a személyességgel teli érthetőség, nem pedig a tökéletes brosúraszöveg.

Referenciák

  1. Számítógépes Nyelvészeti Egyesület (ACL Anthology) - Felmérés az LLM által generált szövegfelismerésről - aclanthology.org

  2. OpenAI - Új MI-osztályozó a MI által írt szöveg jelzésére - openai.com

  3. Turnitin útmutatók - Mesterséges intelligencia általi írásészlelés a klasszikus jelentésnézetben - guides.turnitin.com

  4. Turnitin útmutatók - AI írásészlelési modell - guides.turnitin.com

  5. Turnitin - A mesterséges intelligencia általi írásfelismerési képességeinken belüli téves riasztások megértése - turnitin.com

  6. arXiv - DetectGPT - arxiv.org

  7. Bostoni Egyetem - Zavarodottság bejegyzések - cs.bu.edu

  8. GPTZero - Zavarodottság és kitörésszerűség: mi is ez? - gptzero.me

  9. PubMed Central (NCBI) - Stilometria és forenzikus tudomány: Irodalmi áttekintés - ncbi.nlm.nih.gov

  10. Számítógépes Nyelvészeti Egyesület (ACL Antológia) - Függvényszavak a szerzőség megjelölésében - aclanthology.org

  11. arXiv - Vízjel nagy nyelvi modellekhez - arxiv.org

  12. Google AI fejlesztőknek – SynthID szöveg – ai.google.dev

  13. arXiv - A vízjelek megbízhatóságáról nagy nyelvi modellek esetén - arxiv.org

  14. OpenAI – Az online látottak és hallottak forrásának megértése – openai.com

  15. Stanford HAI - A mesterséges intelligencia detektorai elfogultak a nem angol anyanyelvű írókkal szemben - hai.stanford.edu

  16. arXiv - Liang és mások - arxiv.org

Találd meg a legújabb mesterséges intelligenciát a hivatalos AI Assistant áruházban

Rólunk

Vissza a bloghoz