DetectAnyLLM：面向多域和多模型的通用鲁健机器生成文本检测
计算与语言
2025-09-19 v1 人工智能
计算机与社会
摘要
大语言模型（LLM）的快速发展引发了对机器生成文本检测（MGTD）任务的紧迫关注。然而，现有方法在复杂现实场景中难以胜任：零样本检测器高度依赖模型输出分布，而基于训练的检测器常受限于对训练数据的过拟合，限制了其泛化能力。我们发现，基于训练的检测器的性能瓶颈源于训练目标与任务需求之间的错位。为此，我们提出了直接差异学习（DDL），一种直接以任务导向知识优化检测器的新型策略。DDL 使检测器能够更好地捕捉检测任务的核心语义，从而提升鲁健性和泛化性。基于此，我们引入 DetectAnyLLM，一个统一的检测框架，实现了在多种 LLM 上的最先进 MGTD 性能。为确保可靠评估，我们构建了 MIRAGE，这是一个最具多样性的多任务 MGTD 基准。MIRAGE 从 10 个语料库中抽取 5 个文本领域的人类撰写文本，再通过 17 个最前沿的 LLM 进行重新生成或修改，涵盖广泛的专有模型和文本风格。MIRAGE 上广泛实验揭示了现有方法在复杂环境中的局限性。相比之下，DetectAnyLLM 在相同训练数据和基础评分模型下 consistently 超越其它方法，实现了 70% 以上的性能提升，彰显了 DDL 的有效性。项目页面: {https://fjc2005.github.io/detectanyllm}。
引用
@article{arxiv.2509.14268,
title = {DetectAnyLLM: Towards Generalizable and Robust Detection of Machine-Generated Text Across Domains and Models},
author = {Jiachen Fu and Chun-Le Guo and Chongyi Li},
journal= {arXiv preprint arXiv:2509.14268},
year = {2025}
}