StealthRL：面向多检测器规避的强化学习改写攻击

AI 文本检测器面临一个关键鲁棒性挑战：保持语义的对抗性改写攻击以规避检测。我们引入 StealthRL，一个强化学习框架，用于在真实对抗条件下测试检测器的鲁棒性。StealthRL 使用 Group Relative Policy Optimization (GRPO) 对多检测器集成训练的改写策略，采用 Qwen3-4B 上的 LoRA adapters，优化复合奖励以平衡检测规避与语义保持。我们在六个攻击设置 (M0-M5) 上评估了完整过滤的 MAGE 测试池（15,310 人类 / 14,656 AI），针对四个检测器：RoBERTa、Fast-DetectGPT、Binoculars 和 MAGE。StealthRL 在三个检测器上实现近零检测，在第四个检测器上实现 0.024 的 mean TPR@1%FPR，将 mean AUROC 从 0.79 降至 0.43，达到 97.6% 的攻击成功率。关键的是，攻击可转移到两个在训练期间未看到的 held-out 检测器，揭示了共享架构漏洞而非检测器特定脆弱性。我们另外通过在 500 个匹配样本上进行 LLM 基于 Likert 评分的质量评估，分析检测器得分分布以解释为何成功规避，并提供带 bootstrap confidence intervals 的每个检测器的 AUROC。我们的结果暴露了当前 AI 文本检测的显著鲁棒性差距，并将 StealthRL 确立为原则性对抗评估协议。代码和评估管道已公开于 https://github.com/suraj-ranganath/StealthRL。