ImBD

ImBD简介

ImBD（Imitate Before Detect）是一项由复旦大学、华南理工大学、武汉大学及Fenzi AI等机构联合研发的文本检测技术，专注于识别经过机器修订的文本。该方法首先模仿大型语言模型（LLMs）生成文本的风格，并通过风格偏好优化（SPO）调整评分模型，使其更符合机器修订文本的特征。随后，利用风格条件概率曲率（Style-CPC）量化原始文本与条件概率采样生成文本之间的对数概率差异，从而有效区分人类写作与机器修订内容。ImBD在多种场景中表现出色，涵盖不同类型的机器修订任务和多个文本领域，具有较高的检测准确性和泛化能力，同时具备训练效率高、数据需求低的优势。

ImBD的主要功能

• 机器修订文本检测：能够识别包括重写、扩展和润色在内的多种机器修订内容，准确捕捉其独特的风格特征。
• 多场景适应性：适用于新闻、学术论文、故事创作等多种文本领域，具备良好的泛化能力。
• 高效训练与推理：在少量数据和较短训练时间内即可达到优异性能，满足实际应用中的效率需求。

ImBD的技术原理

• 风格偏好优化（SPO）：通过优化模型的token分布，使其更贴近机器修订文本的风格，提升对机器风格的识别能力。
• 风格条件概率曲率（Style-CPC）：基于原始文本与条件概率采样生成文本之间的对数概率差异进行量化分析，实现对人类写作与机器修订内容的有效区分。
• 模仿与检测结合：先模仿机器风格，再进行检测，提高检测的准确性与鲁棒性。

ImBD的项目信息

• 项目官网：machine-text-detection.github.io/ImBD
• GitHub仓库：https://github.com/Jiaqi-Chen-00/ImBD
• arXiv技术论文：https://arxiv.org/pdf/2412.10432
• 在线体验Demo：https://ai-detector.fenz.ai/ai-detector

ImBD的应用场景

• 学术领域：辅助审稿人识别论文中可能存在的机器修订内容，维护学术诚信。
• 新闻媒体：用于检测新闻稿件中可能被机器润色的内容，确保报道的真实性。
• 出版行业：帮助编辑识别书稿中的机器修订痕迹，保障内容质量。
• 教育领域：用于检测学生作业中可能涉及机器辅助的部分，提升评估准确性。
• 企业与商业：用于审核营销文案等内容，确保原创性与品牌合规。
• 网络安全与信息验证：识别网络虚假信息中的机器生成或修订内容，维护信息真实性。