从零开始构建 AI 文本检测器

判断

它把「怎么知道这段文字会不会被判成 AI」这个决定交回写作者自己：与其只信商用接口给出的分，不如本地训一个 0–100 分的分类器，把分数当成润色时的约束条件；代价是这套东西得自己维护，模型一换代就要重训。

依据

Sebastian Raschka（Ahead of AI，2026年8月15日）说，Substack 新上线的 AI 检测功能让他想到把这套过程拆开讲：微调一个 DistilBERT（一种小型文本分类模型）作分类器，输出 0–100 分。他特意声明，这个分数是分类器在自身训练分布下对「AI 生成」这一类的估计概率，不能读成「这段文字真是 AI 写的」的概率。接着他把检测器当 verifier（验证器）接进 RLVR——可验证奖励强化学习，即用能自动判对错的分数当奖励信号——反过来训练小语言模型写出躲过检测的文本。他自己把这事定性为猫鼠游戏：检测器学到某个特征，下一代模型可以不带这个特征，检测器就得重训；他还预告会出现 false positive，也就是把人类写的文字判成 AI。全文只写方法与目标，说方法「类似」Pangram（他推测 Substack 用的就是它），没有给出准确率、误报率或任何成本数字。