面向大语言模型生成文本的多层级特征检测
计算与语言
2025-09-24 v1
摘要
随着大语言模型技术的快速发展，多特征方法能否在单一神经模型所达到的水平之外显著提升 AI 文本检测性能，引起了越来越多的关注。虽然直觉表明，结合语义、句法和统计特征应能提供互补信号，但这一假设尚未在现代 LLM 生成文本上得到严格测试。本文对用于 AI 文本检测的多层级特征融合进行了系统的实证研究，专门测试结合多种特征类型的计算开销是否由性能提升所证明为合理。我们实现了 MHFD（多层级特征检测），通过自适应融合集成了基于 DeBERTa 的语义分析、句法解析和统计概率特征。我们的研究揭示了重要的负面结果：尽管有理论预期，多特征融合带来的收益微乎其微（提升 0.4-0.5%），却产生了大量的计算成本（4.2 倍开销），这表明现代神经语言模型可能已经高效地捕获了大多数相关的检测信号。在多个基准数据集上的实验结果表明，MHFD 方法在域内检测中实现了 89.7% 的准确率，并在跨域检测中保持了 84.2% 的稳定性能，较现有方法展现出 0.4-2.6% 的适度提升。
引用
@article{arxiv.2509.18862,
title = {Multi-Hierarchical Feature Detection for Large Language Model Generated Text},
author = {Luyan Zhang and Xinyu Xie},
journal= {arXiv preprint arXiv:2509.18862},
year = {2025}
}
备注
9 pages, 6 tables, empirical study on multi-feature AI text detection