超越最终演员：为细粒度 LLM 生成文本检测建模创始人与编辑者的双重角色
计算与语言
2026-05-19 v3
摘要
大型语言模型（LLM）的滥用需要精确检测合成文本。现有工作主要遵循二分类或三分类设置，最多只能区分纯人类/LLM 文本或协作文本。这仍不足以实现细致的监管，因为 LLM 优化的人类文本和人类化的 LLM 文本往往会触发不同的政策后果。本文探索了在严格的四分类设置下进行细粒度 LLM 生成文本检测。为处理此类复杂情况，我们提出了 RACE（Rhetorical Analysis for Creator-Editor Modeling），一种细粒度检测方法，通过刻画创始人和编辑者的不同特征来进行建模。具体而言，RACE 利用修辞结构理论（RST）为创始人的基础构建逻辑图，同时提取初等话语单位（EDU）级别的特征来捕捉编辑者的风格。实验表明，RACE 在识别细粒�类型方面超过了 12 个基线方法，误报率低，为 LLM 监管提供了符合政策的解决方案。
引用
@article{arxiv.2604.04932,
title = {Beyond the Final Actor: Modeling the Dual Roles of Creator and Editor for Fine-Grained LLM-Generated Text Detection},
author = {Yang Li and Qiang Sheng and Zhengjia Wang and Yehan Yang and Danding Wang and Juan Cao},
journal= {arXiv preprint arXiv:2604.04932},
year = {2026}
}
备注
ACL 2026 (Oral)