放大而非学习：精调AI文本检测器放大了预训练方向
机器学习
2026-05-22 v1 人工智能
计算与语言
摘要
AI文本检测器放大了预训练的典型性轴；它们并未构建AI与人类之间的边界。在任何任务监督之前，对原始编码器进行投影即可实现NYT与HC3的AUROC为0.806/0.944/0.834（跨三种架构），在RoBERTa-base上，原始投影超过精调；全精调反而在两种流畅正式人群中低于原始。在非母语ESL写作上，该轴方向反转（AUROC 0.06-0.20）——这是典型性解读独有的可验证预测。一个 frozen probe仅用24个样本即可匹配全精调（0.900 vs 0.895）。闭形式Jacobian预测器参数化轴干扰干预，R²=1.000通用，使ELECTRA-CE部署TPR从0.000提升至0.904（FPR=1%），并可迁移至三个独立训练的第三方RoBERTa检测器中16/16 oracle等效（NYT-FPR降低57%）。范围：编码器族；机制规模HC3锚定；群体水平共享轴，单文本机制在不同架构中各异。三个操作上不同的探针——文本表面caps_rate残差化、几何signed-epsilon剥离、闭形式文本对预测器——在三种架构上在cos 0.74/0.81/1.00处一致，确认观察者不变性。在匹配TPR-0.90评估下，已发表的干预库（CC、dealign-f2c）在27个单元上校准等效（|Delta AUROC| <= 0.0081），且>=97%的LoRA->全精调偏差归因于校准迁移，而非学习到的表征——这一核心论点的预测已被证实。
关键词
引用
@article{arxiv.2605.21653,
title = {Amplifying, Not Learning: Fine-Tuned AI Text Detectors Amplify a Pretrained Direction},
author = {Alexander Smirnov},
journal= {arXiv preprint arXiv:2605.21653},
year = {2026}
}