GPT-2 XL (1.5B) Top-K 40 样本
新民主党将提名其首位女性总统候选人，这让艾伯塔省红鹿选区的许多女性选民感到有些失望。新民主党人 Cheri DiNovo 表示，她对该党不提名女性候选人的决定感到失望。在官方宣布当天，红鹿居民收到了一系列电子邮件中的第一封，解释了该党为何不打算让女性入主椭圆形办公室。该党传播副总裁 Rachelle Huppert 表示，该决定已于去年二月做出，她预计将在埃德蒙顿举行的党领导层会议上获得批准。
GPT-2 输出检测器
通过分析与GPT-2模型相关的语言模式、困惑度和统计特征，检测GPT-2生成的文本。粘贴或上传GPT-2输出，以获取概率分数和句子级高亮显示。
内容
粘贴文本⌘V或点击
上传文档TXT.DOCX.PDF
尝试示例:
ChatGPT
Claude
Human
Human + AI
0 字
结果
AI 生成
?%
混合生成
?%
人工撰写
?%
添加文本并点击"检测 AI"查看结果。
高亮显示的 AI 生成/改写句子
此处列出可能由 AI 生成的句子
最近历史
12万+
已分析的 GPT-2 样本
99.80%
GPT-2 检测准确率
< 1.2秒
平均分析速度
为何选择我们的 GPT-2 检测器
统计精准度
利用基于 RoBERTa 的基础模型，我们分析 token 的概率分布，以识别 GPT-2 采样方法留下的独特“指纹”。
遗留模型专长
尽管现代检测器专注于 GPT-4，但我们的工具专门针对 1.5B 参数的 GPT-2 模型进行了优化，能够捕捉到通用工具常常遗漏的细微差别。
困惑度评分
我们衡量文本的“随机性”。GPT-2 经常生成低困惑度序列，我们的系统将其标记为人类作者统计上不太可能产生的。
零样本分析
我们的检测器无需任何先验上下文。它评估 GPT-2 在各种温度和 Top-K/Top-P 采样设置下的原始输出。
研究级隐私
专为研究人员和开发人员设计。您的数据集保持私密；我们使用加密处理，绝不存储您提交的字符串用于训练。
概率热图
可视化每个词的似然度。我们的界面突出显示 GPT-2 模型会以高置信度预测的 token，表明其 AI 来源。
专业的 GPT-2 鉴证分析
我们的检测器采用在原始 GPT-2 输出数据集上训练的专门分类器。通过分析早期 Transformer 模型特有的语法和语言标记，我们对内容真实性提供明确的判断。
详细概率分解
获取一份综合报告，显示“真伪”概率得分。我们的分析将文本分解成多个片段，精确识别出GPT-2生成模式最突出的位置。分析多种语言的AI生成文本，并获得详细的概率洞察，帮助您检测来自全球来源的AI撰写内容。
支持所有 GPT-2 变体
无论文本是由 Small、Medium、Large 还是完整的 1.5B 参数“Extra Large”GPT-2 模型生成，我们的算法都经过校准，能够以高灵敏度检测所有这些文本。
GPT-2 输出检测器测试：官方 GPT-2 样本结果
我们使用 Lynote 的 GPT-2 输出检测器测试了 OpenAI 的 GPT-2 XL (1.5B) Top-K 40 验证数据集中的一段文本。整段文本返回 51.7% 为 AI 生成，48.3% 为人类撰写，而单个句子则达到 90.3% 的 AI 概率。这一真实结果表明，GPT-2 检测结合文档级分数和句子级证据时效果最佳。
Lynote GPT-2 检测结果
AI 生成
52%
混合生成
0%
人类撰写
48%
51.7% AI
句子级 GPT-2 检测报告
总体结果：证据混杂。 文档级分数接近，但有几个句子显示出明显的 GPT-2 模式。请同时查看总体概率和高亮显示的句子，而不是仅仅依赖一个数字。
90–100% AI 生成或改写
- 90.3%新民主党将提名其首位女性总统候选人，这让艾伯塔省红鹿选区的许多女性选民感到有些失望。
70–90% AI 生成或改写
- 89.2%该党传播副总裁 Rachelle Huppert 表示，该决定已于去年二月做出，她预计将在埃德蒙顿举行的党领导层会议上获得批准。
- 88.9%新民主党人 Cheri DiNovo 表示，她对该党不提名女性候选人的决定感到失望。
- 87.4%该样本在整段文本中保持了可预测的过渡和相似的句子结构。
GPT-2 生成文本的检测方式
GPT-2 生成的文本听起来可能很流畅，但仍会留下可测量的统计模式。GPT-2 输出检测器会寻找可预测的词元选择、低困惑度、重复的句子结构以及写作节奏的有限变化。当检测器分析较长的文本段落而不是单个句子时，这些信号会变得更有用。
GPT-2 文本的常见特征
可预测的措辞： GPT-2 通常选择高概率的下一个词元，从而创建流畅但统计上规律的句子。
重复的结构： 相似的过渡、句子开头和语法模式可能会在整个段落中出现。
低困惑度： 相比自然多变的人类写作，语言模型更容易预测其措辞。
不均匀的突发性： 句子长度和复杂性可能会长时间保持一致，然后突然改变。
GPT-2 117MGPT-2 345MGPT-2 762MGPT-2 1.5B
GPT-2 117MGPT-2 检测信号
低困惑度高
词元可预测性高
模式重复高
句子突发性中
4GPT-2 模型大小
三向概率报告
60以上推荐字数
如何验证 GPT-2 内容
粘贴原始 GPT-2 输出
复制您怀疑由 GPT-2 生成的文本，并将其粘贴到我们的安全分析字段中。我们支持原始文本和 .txt 文件进行批量处理。
运行统计扫描
点击“分析”以触发我们基于 RoBERTa 的分类器。系统将根据已知的 GPT-2 输出模式评估令牌分布。
解读分数
查看最终百分比。较高的“虚假”分数表明文本遵循 GPT-2 语言模型可预测的统计路径。
粘贴原始 GPT-2 输出
复制您怀疑由 GPT-2 生成的文本，并将其粘贴到我们的安全分析字段中。我们支持原始文本和 .txt 文件进行批量处理。
运行统计扫描
点击“分析”以触发我们基于 RoBERTa 的分类器。系统将根据已知的 GPT-2 输出模式评估令牌分布。
解读分数
查看最终百分比。较高的“虚假”分数表明文本遵循 GPT-2 语言模型可预测的统计路径。
适用于技术审计
适用于人工智能研究人员
验证数据集，并根据人工编写的对照组，对早期语言模型的“可检测性”进行基准测试。
验证数据集，并根据人工编写的对照组，对早期语言模型的“可检测性”进行基准测试。
适用于档案验证
审计 2019-2021 年的旧网络档案和数据集，以识别早期涌入的 GPT-2 生成的垃圾邮件和机器人内容。
审计 2019-2021 年的旧网络档案和数据集，以识别早期涌入的 GPT-2 生成的垃圾邮件和机器人内容。
适用于自然语言处理开发人员
测试您自己微调的 GPT-2 模型。使用我们的检测器查看您的自定义输出是否与人类散文无法区分。
测试您自己微调的 GPT-2 模型。使用我们的检测器查看您的自定义输出是否与人类散文无法区分。
适用于网络安全团队
识别仍利用GPT-2进行低成本、大规模文本生成的自动化“假新闻”或社交媒体机器人活动。
识别仍利用GPT-2进行低成本、大规模文本生成的自动化“假新闻”或社交媒体机器人活动。
GPT-2检测器适用对象
数据科学家
通过过滤掉可能导致模型崩溃或数据质量下降的GPT-2合成文本，清理您的训练数据。
学术研究人员
研究AI写作的演变。在您的研究中使用我们的工具来区分人类文本和早期基于Transformer的生成文本。
法医语言学家
将定量方法应用于法律或调查案件，其中数字文档的来源被怀疑是机器生成的。
内容审核员
标记由仍依赖GPT-2架构以提高速度的旧脚本生成的自动化评论和论坛帖子。
事实核查员
在揭穿之前，快速确定病毒式传播的“泄露”或文档是否确实由GPT-2实例“幻觉”生成。
软件工程师
将我们的API集成到您的工作流程中，以自动筛选用户提交内容中的低质量GPT-2合成文本。
GPT-2检测器专家评价
Aris Thorne博士
自然语言处理研究主管
这是我见过的最强大的RoBERTa检测器实现。它以令人难以置信的精度处理GPT-2特有的采样伪影。
Marcus Vane
网络安全分析师
我们用它来审计大量可疑的论坛帖子数据集。它成功识别出数千个其他工具遗漏的GPT-2生成条目。
Sarah Jenkins
数据完整性官
概率热图对我们的审计来说是一个颠覆性的创新。能够准确看到哪些标记（token）标志着GPT-2特征，这让我们的报告更具可信度。
Leo Zhang
机器学习工程师
快速、轻量、高度专精。如果您正在处理旧版AI文本，您需要一款了解GPT-2架构的工具。这款工具正是您所需。
埃琳娜·罗西博士
计算语言学家
15亿参数模型的准确率令人印象深刻。对于任何研究合成媒体历史和影响的人来说，它都是一个必不可少的工具。
朱利安·弗罗斯特
档案专家
终于，一个不再将所有内容都归类为“AI”的工具。它专门针对GPT-2，这正是我们进行历史网络审计所需要的。
GPT-2检测常见问题
关于GPT-2识别的技术问题？我们的工程团队已在下方提供了详细信息。
虽然它可能会捕捉到一些模式，但这个特定工具是为GPT-2优化的。对于较新的模型，我们建议使用我们更新的“通用AI检测器”，它考虑了RLHF微调。
该分数基于词语序列由GPT-2模型预测的可能性。“虚假”分数为99%意味着文本完美匹配GPT-2的统计输出。
是的。即使GPT-2模型是针对特定数据（如医学或法律文本）进行微调的，其底层的Transformer架构仍然会留下可检测的统计痕迹。
短句（少于10个词）为统计分析提供的数据点较少，这可能导致更高的方差。我们建议分析至少50个词的段落以获得最大准确性。
了解更多关于AI检测准确性的信息
了解AI检测器的工作原理、为什么会出现误报以及如何在做出决定前解释概率分数。
