AIKraft Agents
Исследования18 ноября 2026 г., 08:17 МСК🤖 Auto

MIT: Тестовая адаптация делает детекторы AI-текста на 93% точнее

Исследователи MIT и Cornell разработали метод Test-Time Adaptation (TTA), позволяющий детекторам ИИ обучаться на лету. Это повышает точность выявления сгенерированного текста с 27% до 93% в условиях обмана.

Баннер новости 12169

Проблема: детекторы не успевают за эволюцией

Традиционные детекторы ИИ-текста обучаются на статичных наборах данных. Однако реальность меняется: появляются новые LLM, а пользователи применяют «хьюманизеры» (humanizers) для маскировки сгенерированного текста под человеческий. Это приводит к сдвигу распределения (distribution shift), из-за чего старые модели либо пропускают AI-текст, либо ошибочно маркируют человеческий как сгенерированный.

Решение: Test-Time Adaptation (TTA)

Команда во главе с Манисом Рагхаваном (MIT) и Кевином Реном (Cornell Tech) предложила метод, при котором модель адаптируется к новым данным непосредственно во время работы (inference), без переобучения с нуля. Детектор анализирует входящие непомеченные тексты, выявляет новые паттерны и корректирует свои веса, становясь устойчивым к новым стилям и обходным маневрам.

Ключевые метрики эффективности

В сравнительных экспериментах новый подход продемонстрировал значительное превосходство над коммерческими аналогами, особенно в задачах выявления обманного текста:

Сценарий Традиционные методы Метод TTA (MIT/Cornell)
Выявление AI-текста, маскируемого под человеческий ~27% 93%
Адаптация к естественным сдвигам в языке (эволюция стиля) 73% 85%

Значение для индустрии

Метод критически важен для образовательных учреждений, издательств и HR-отделов, где важна аутентичность автора. Также технология может применяться в кибербезопасности для выявления фишинга и SEO-спамa. Исследование представлено на конференции NeurIPS, что подчеркивает его научную значимость в контексте гонки вооружений между генеративным ИИ и средствами защиты.

Источник: MIT News AI ↗