Exons-Detect：基于隐藏状态差异识别并放大编码子标记用于鲁棒 AI 生成文本检测
计算与语言
2026-03-27 v1
摘要
大型语言模型的快速发展日益模糊了人类撰写文本与 AI 生成文本之间的边界，引发了虚假信息扩散、作者身份模糊以及知识产权受威胁等社会风险。这些问题凸显了迫切需要有效可靠的检测方法。现有训练-free 方法通常通过聚合标记级信号到全局得分来实现强性能，但假设所有标记贡献均等，在短序列或局部标记修改情形下鲁棒性较差。为此，我们提出 Exons-Detect，一种基于编码子感知标记重加权的训练-free AI 生成文本检测方法。Exons-Detect 通过测量双模型设置下的隐藏状态差异，识别并放大信息丰富的编码子标记，计算由结果重要性加权的标记序列产生的可解释翻译得分。实验结果表明，Exons-Detect 在检测性能上达到最新水平，对对抗攻击和输入长度变化具有强鲁棒性。特别是，在 DetectRL 数据集上，Exons-Detect 相比最强的先验基线实现了 2.2% 的平均 AUROC 提升。
引用
@article{arxiv.2603.24981,
title = {Exons-Detect: Identifying and Amplifying Exonic Tokens via Hidden-State Discrepancy for Robust AI-Generated Text Detection},
author = {Xiaowei Zhu and Yubing Ren and Fang Fang and Shi Wang and Yanan Cao and Li Guo},
journal= {arXiv preprint arXiv:2603.24981},
year = {2026}
}