一个中文 AI 生成文本检测基准，由清华、南开、哈工大（深圳）、鹏城实验室联合发布，收录于 ACL 2026 Findings。含 12.8 万条数据，覆盖 5 个域、9 个生成模型。

哪种中文最难检测？

论文结论：新闻与学术写作最难——现代 LLM 写得流畅连贯，反而抹掉了典型机器痕迹。DeepSeek-R1（思维链模式）是九个模型中最难测的。

这篇论文对学生有什么实际意义？

检测率随域和模型变化，不是固定分数——别把某个检测器的数字当安全证明。把精力放在规范引用、AI 使用披露和写作留痕上更稳。

C-ReD 引用量为什么这么低？

它 2026 年才发布，引用 2 次属正常。这也说明中文检测基准仍是蓝海，谁先做厚谁占位。

C-ReD 讲了什么：12.8 万条中文 AI 文本检测基准，把「哪种中文最难查」排了一遍

C-ReD 论文首页

来源：论文首页

C-ReD 是一份 12.8 万条的中文 AI 文本检测基准，把「哪种中文最难查」排了一遍。这篇论文由清华、南开、哈工大深圳和鹏城实验室四个单位联合完成，发表在 ACL 2026 Findings 上。它要解决的事很具体：过去的中文检测数据集，模型太单一、格式太同质、提示词也不够真实。

先说这篇论文做了什么

C-ReD 的做法是把"人类原文"和"AI 生成文本"成对组织起来：人类原文取自五个真实场景域，AI 文本用九个模型在同一批提示词下生成，最终形成 12.8 万条可训练、可评测的数据。它不是提出一个新检测算法，而是提供一把"尺子"——让不同的检测方法在同一份中文数据上比。

和此前的中文数据集相比，它有三个明确的补位：模型上补进国产大模型，格式上补进新闻、学术写作等专业域，提示词上按真实用法设计。下面逐项拆开。

一、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。

二、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 3,000（THUCNews）· 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 500（ChinaXiv 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

C-ReD 论文：数据集构成表

来源：C-ReD 论文（arXiv:2604.11796）

三、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。

C-ReD 论文：实验设置

来源：C-ReD 论文（arXiv:2604.11796）

四、论文自己给出的结论

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。

五、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。

六、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。

七、边界（我们没做的）

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。

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 Findings，arXiv 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。

相关阅读：AIGC 检测的国内研究地图、AIGC 使用边界指南解读、AIGC 检测报告怎么看、期刊的 AIGC 检测系统是怎么工作的。口径以学校指定系统为准。