来源论文首页先说结论中文 AIGC 检测基准 C-ReD 今年发了数据量不小12.8 万条覆盖了新闻、问答、影评、作文、学术写作五个域和九个模型。论文里最有意思的三条发现——新闻和学术写作最难检测、DeepSeek-R1 是九个模型里最难测的、微调可以迁移到没见过的模型但做不到完美。1. 这篇论文做了什么它不提出新算法只做一件事给中文 AIGC 检测造一把统一的尺子。项内容论文C-ReDA Comprehensive Chinese Benchmark for AI-Generated Text Detection作者单位清华大学 / 南开大学 / 哈尔滨工业大学深圳/ 鹏城实验室发表ACL 2026 Findings预印本 2026-04-13 首发、2026-05-19 更新 v2要解决的三个问题模型单一多为 ChatGPT 生成· 格式同质多为简单问答· 提示词不真实做法人类原文5 个域与 AI 文本9 个模型、同一批提示词成对组织规模128,610 条人类 12,997 AI 生成 115,6132. 它指出的三个老问题论文在引言里点名了此前中文数据集的三个限制模型多样性不足大多只用 ChatGPT 生成漏掉了国产中文大模型数据同质文本多是简单问答格式缺少新闻、学术写作这类专业域提示词不真实没有反映 LLM 在真实场景里被怎么用。这三条不是笼统的数据集不够好而是可以直接拿去核对的标准。3. 它造了什么5 个域 × 9 个模型 × 5 类提示词人类原文来自五个域AI 文本由九个模型生成维度内容人类文本5 域新闻 3,000THUCNews· 问答 2,956知乎 KOL· 影评 2,960豆瓣· 作文 1,081高考作文· 学术写作 500ChinaXiv 论文的题名/关键词/摘要/引言繁体补充繁体新闻 2,000生成模型9 个gpt-3.5-turbo、gpt-4o、Gemini-2.5-Flash、Claude-3.5-Haiku、Deepseek-V3、Deepseek-R1思维链模式、Qwen2.5、Qwen3、Doubao-1.5-Pro提示词策略每个域一套贴近真实用法的模板新闻给分类模板真实标题学术写作融合题名/关键词/摘要总量128,610 条人类 12,997 AI 生成 115,613来源C-ReD 论文arXiv:2604.117964. 它怎么测的论文测了三类检测器指标是 Accuracy 与 AUROC共七种设定零样本方法Log-Likelihood、Entropy、Log-Rank、LRR、Fast-DetectGPT、Lastde/Lastde、DNA-DetectLLM有监督检测器OpenAI Detector、RADAR、ReMoDetect、IMBD以及让 8 个大模型自己当检测器配三种提示策略普通、给上下文、给风格描述。设定覆盖域与生成器都不给标签的通用评测、在 C-ReD 上微调后的分布内/分布外、固定生成器的跨域迁移、提示词复杂度消融、繁体新闻测试以及迁移到外部 M4 中文问答。来源C-ReD 论文arXiv:2604.117965. 论文自己给出的七条结论难度和域强相关问答、影评这些结构化的域更容易测新闻与学术写作最难现代LLM写得流畅连贯反而抹去了典型的机器痕迹。难度同模型密切相关Deepseek-R1最难测论文认为这是由于它的思维链风格使输出更加连贯、更像人的推理造成的。零样本会认生依赖固定参考模型的零样本方法遇到没见过的LLM会出现架构、风格错配老的有监督RoBERTa检测器在新模型上失效。因为它是用较旧、质量低下的AI文本训练出来的。在 C-ReD 上微调提升明显而且能迁移微调后不仅各域大幅提升对训练时未见的两个模型Claude-3.5-Haiku、Gemini-2.5-Flash也有效但分布内与分布外仍有小差距——「完美迁移做不到」。LLM 自己当检测器零样本基本不行连自己生成的文本都难判一旦给上下文或风格描述准确率明显上升。提示词简化检测难度几乎不变说明强模型即便指令变少也能写出人味的学术文本。迁移到外部中文数据有效只用 C-ReD 的问答域训练迁移到 M4 的中文问答也有提升对 davinci-003 的样本提升小些论文认为这是风格差异更大所致。6. 我们的评论亮点一把国产模型放进了基准。与之前中文数据集最大的不同就是DeepSeek、Qwen、豆包都在测试集中。对于面向中文用户检测生态而言只有“只测ChatGPT”的基准才有参考价值C-ReD填补了这个空白。**亮点二把「域」和「生成器」拆开测。**很多检测器宣称高准确率但没有说明是在什么域、对哪个模型。C-ReD用七种设定把这两个变量分开结论也更接近真实使用——检测器不是一个固定分数而是一张随域和模型变化的表。亮点三OOD 与外部迁移都做了。微调后对未见模型仍有效、并迁移到 M4这是判断一个基准有没有资格当基础设施的关键动作。但是也存在局限而且论文自己承认了以下几点只有中文多语言是未来的工作9个模型会过时——模型迭代快今天在榜的模型明天可能不是最难的提示词不能覆盖对抗式用法论文中明确指出为了防止被检测到而精心设计的提示不在覆盖范围内这正是检测最困难的地方人类文本来源有限THUCNews、知乎、豆瓣、高考作文、ChinaXiv不能代表中文写作的所有风格。**一个作者没强调、但更值得读的点检测率不是一个可以跨域、跨模型直接引用的数字。**同一个检测器在不同的领域、不同的生成模型下表现也会相差很大。这和我们在站内反复写的“自测分数只作参考、终检以学校/期刊指定系统为准”是一样的。对写论文的人来说实际含义就是不能把某个检测器的分数当作安全证明而应该把精力放在规范引用、AI使用披露和写作留痕上。7. 可以自己做的三件事论文的结论对写论文的人其实很直接——检测器不是一个固定分数那就别把宝押在过检测上。三件事更值得做引用逐条可检索把每条参考文献放进数据库核一遍。AI 生成的假引用正在导致撤稿这不是远处的新闻。AI 使用按口径披露学校或期刊要求披露的按其要求写清楚不要求披露的也保留使用记录。保存写作留痕大纲、草稿版本、文献笔记在申诉与核查里是最直接的证据。8. 边界与声明本文没有做论文的复现实验正文没有给出逐项AUROC数值在附录或者图表中也没有出现所以本稿不会复述具体的分数。论文的联盟、资助信息国家自然科学基金62301189、62576122、62571298广东省基础与应用基础研究基金2026A1515011139照录不代表我们对结论的背书。机构和作者单位以论文全文页署名为准。9. 来源与声明项内容论文C-ReD: A Comprehensive Chinese Benchmark for AI-Generated Text Detection发表ACL 2026 FindingsarXiv 编号 2604.11796作者单位清华大学 / 南开大学 / 哈尔滨工业大学深圳/ 鹏城实验室引用量数据Semantic Scholar查询日 2026-10-04本文所有事实均来自论文正文或公开报道不代表我们对结论的背书机构顺序不代表排名。利益声明本文出自 pcpass123.com提供AIGC检测。