深度分析
結構性 OOD 攻擊：跨世紀語域與意識流敘事在 AI 文本偵測中的韌性分析
在AI文本偵測競賽中，研究者提出跨世紀語域與現代主義意識流兩種結構性OOD攻擊，能在對抗微調偵測器下仍保持高偽裝率，實驗顯示傳統增添歷史文本的防禦無效，揭示偵測模型在分布外移動時的持續脆弱。研究比較了四大生成模型以及五種策略，並在ELOQUENT2026Voight‑Kampff排行榜奪得前五名。
深度分析
在AI文本偵測競賽中，研究者提出跨世紀語域與現代主義意識流兩種結構性OOD攻擊，能在對抗微調偵測器下仍保持高偽裝率，實驗顯示傳統增添歷史文本的防禦無效，揭示偵測模型在分布外移動時的持續脆弱。研究比較了四大生成模型以及五種策略，並在ELOQUENT2026Voight‑Kampff排行榜奪得前五名。
深度分析
隨著大型語言模型快速發展，偽造文本的風險升高。研究提出LUSR透過逆向同義改寫學習風格特徵，無需作者標籤，同時支援少樣本與零樣本偵測。實驗顯示其在多項基準上與監督式模型持平，且對未見模型更具泛化力。預示未來偵測技術將更聚焦於語言本質特性，並降低對模型資訊的依賴。